Optymalny transport (OT) to matematyczny problem przekształcenia jednej „masy” (np. piasku) w inną przy minimalnym koszcie. GradNetOT to nowatorska metoda uczenia maszynowego, która uczy takie optymalne mapy za pomocą sieci neuronowych z wbudowanym „uprzedzeniem” fizycznym.

Czym jest optymalny transport?

• Klasyczna definicja: Mając dwie dystrybucje prawdopodobieństwa (zasoby i cele), znajdź sposób przesunięcia masy z minimalnym kosztem.
• Twierdzenie Monge’a: Przy koszcie opartym na kwadracie odległości optymalna mapa to gradient funkcji wypukłej spełniającej równanie Monge–Ampère.

Podejście GradNetOT

GradNetOT wykorzystuje specjalną architekturę zwaną Monotone Gradient Network (mGradNet), która reprezentuje funkcje wypukłe w sposób gwarantujący spójność:

1. Potencjał wypukły: Mapa transportowa to $\nabla u(x)$, gdzie $u$ jest wypukła.
2. Uprzedzenie strukturalne: Architektura sieci zapewnia wypukłość $u$ bez dodatkowych kar.
3. Funkcja straty: Minimalizuje resztę równania Monge–Ampère: $$\det ({\nabla }^{2}u(x))=\frac{{\rho }_{\acute{\mathrm{z}}\mathrm{r}\acute{\mathrm{o}}\mathrm{d}\mathrm{ł}\mathrm{o}}(x)}{{\rho }_{\mathrm{cel}}(\nabla u(x))}.$$

Jak to działa?

1. Próbki wejściowe z dystrybucji źródłowej trafiają do sieci.
2. Przepływ w przód daje wartość potencjału $u(x)$.
3. Obliczenie gradientu zwraca mapę $T(x)=\nabla u(x)$.
4. Reszta Monge–Ampère:
   • Obliczamy hesjan ${\nabla }^{2}u(x)$.
   • Porównujemy $\det ({\nabla }^{2}u)$ z proporcją gęstości.
5. Optymalizacja: Sieć uczy się, jak minimalizować tę resztę.

Dzięki gwarantowanej wypukłości, metoda od razu generuje poprawne mapy transportu.

Przykład obrazowy

Wyobraź sobie jednorodne punkty w kole, które chcesz przerzucić w rozkład dzwonowy (Gaussa):

1. Źródło: punkty równomiernie w kole.
2. Cel: punkty w kształcie dzwonu gaussowskiego.
3. GradNetOT uczy mapy, która rozciąga i ściska koło do kształtu dzwonu – jak formować glinę.

Po treningu nowe punkty z koła, przełożone przez GradNetOT, układają się w idealny rozkład Gaussa.

Zalety i zastosowania

• Dokładność: Lepsze od klasycznych metod OT w wysokich wymiarach.
• Skalowalność: Sieci uczą się na milionach próbek.
• Interpretowalność: Funkcję potencjału $u(x)$ można analizować.
• Przykłady użycia:
  • Sterowanie rojem robotów
  • Mapowanie tekstur w grafice
  • Analiza rynków w ekonomii

Podsumowanie

GradNetOT łączy modelowanie fizyczne i uczenie głębokie, aby efektywnie i przejrzyście rozwiązywać problemy optymalnego transportu. Wbudowane uprzedzenia strukturalne czynią go gotowym do zastosowań naukowych i praktycznych.

📎 Linki

• Na podstawie publikacji 📄 arXiv:2507.13305 PDF