Bilimsel makine öğrenmesi alanında önemli bir adım atılarak, karmaşık geometrilere sahip sistemlerin çözüm operatörlerini öğrenebilen yeni bir mimari geliştirildi. ArGEnT (Arbitrary Geometry-encoded Transformer) adlı bu sistem, değişken geometriler ve parametrik fiziksel ayarlarla çalışabilen gelişmiş bir operatör öğrenme yaklaşımı sunuyor.
Geleneksel yöntemler, farklı geometrik yapılarda genelleme yapmakta zorlanıyor ve esnek değerlendirme imkanları sunmuyordu. ArGEnT ise Transformer dikkat mekanizmalarını kullanarak bu sorunları çözüyor. Sistem, nokta bulutu temsillerinden geometrik bilgiyi doğrudan kodlayarak, keyfi uzamsal konumlarda esnek değerlendirme yapabiliyor.
Mimarinin üç farklı varyantı bulunuyor: öz-dikkat, çapraz-dikkat ve hibrit-dikkat. Her biri geometrik özellikleri dahil etmek için farklı stratejiler kullanıyor. Bu çeşitlilik, farklı problem türlerine uyum sağlamaya olanak tanıyor.
ArGEnT'in DeepONet ile entegrasyonu, tasarım optimizasyonu, kontrol sistemleri ve ters problemler gibi çok sorgu gerektiren rejimlerde özellikle değerli. Bu gelişme, mühendislik tasarımından fizik simülasyonlarına kadar geniş bir alanda uygulanabilir ve hesaplama maliyetlerini önemli ölçüde azaltma potansiyeli taşıyor.