Post #232

Представлен Einstein Fields (`EinFields`) — неявные нейронные сети для сжатия вычислительно затратных 4D-симуляции из области численной относительности в компактные веса нейросети Вместо традиционных дискретных сеточных методов EinFields моделирует метрический тензор — как непрерывную функцию пространственно-временных координат Модель выучивает это фундаментальное геометрическое представление из аналитических или численных решений, а все остальные физические величины, такие как тензоры кривизны и траектории частиц (геодезические), выводятся уже постфактум с помощью автоматического дифференцирования (AD) Подход решает проблему колоссальных вычислительных затрат и огромных объёмов хранения данных в численной относительности EinFields достигают коэффициентов сжатия до 4000x, сохраняя при этом высокую точность Использование AD позволяет получать производные, которые на порядки точнее традиционных конечно-разностных методов Это открывает путь к более эффективному, гибкому и точному способу хранения, анализа и извлечения физических инсайтов из сложных симуляций пространства-времени, что потенциально может привести к созданию нового класса гибридных моделей на стыке Ml и фундаментальной науки Численная относительность (NR) — краеугольный камень современной физики, позволяющий симулировать экстремальные явления Симуляции известны своей ресурсоёмкостью: требуют петаскейльных суперкомпьютеров для решения сложных, нелинейных уравнений поля (УПЭ) на дискретных пространственно-временных сетках В статье представлен Einstein Fields — новый подход, который стремится переосмыслить эту вычислительную задачу, объединяя принципы общей теории относительности с мощью нейронных полей Суть идеи в том, чтобы перейти от явного, сеточного хранения данных к компактному, непрерывному и дифференцируемому нейронному представлению Вместо хранения терабайтов точек данных, вся 4D-симуляция пространства-времени сжимается в веса неявной нейронной сети Это не просто метод сжатия данных, а фундаментально новый способ взаимодействия с симулированными пространствами-временами и извлечения из них физики Методология: выучиваем ткань пространства-времени Ядро EinFields — это нейронная сеть (обычно многослойный перцептрон, MLP), которая выучивает представление метрического тензора Метрика — это фундаментальный объект в общей теории относительности, кодирующий геометрию пространства-времени и управляющий всем, от расстояний и углов до путей света и материи Методология строится на нескольких ключевых принципах: Декомпозиция искажения: чтобы повысить эффективность обучения, модель обучается не на полной метрике, а на её «искажении» — тривиальный плоский фон Минковского Это позволяет сети выучивать только интересные «складки» и «изгибы» пространства-времени, не тратя свою ёмкость на повторное изучение огромного, неизменного плоского фона Einstein Fields: A Neural Perspective To Computational General Relativity Sandeep S. Cranganore, Andrei Bodnar, Arturs Berzins, Johannes Brandstetter https://arxiv.org/abs/2507.11589 https://github.com/AndreiB137/EinFields https://arxiviq.substack.com/p/einstein-fields-a-neural-perspective