Neues Papier vergleicht thermodynamisch strukturierte neuronale Netze

Ein neues arXiv‑Veröffentlichung untersucht systematisch, wie unterschiedliche thermodynamische Strukturen in Physics‑Informed Neural Networks (PINNs) eingebettet werden können. Dabei werden klassische Formulierungen wie Newton, Lagrange und Hamilton für konservative Systeme sowie das Onsager‑Prinzip und die erweiterte irreversible Thermodynamik für dissipative Prozesse verglichen.

Durch umfangreiche numerische Tests an exemplarischen gewöhnlichen und partiellen Differentialgleichungen wird die Wirkung dieser Strukturen auf Genauigkeit, physikalische Konsistenz, Rauschrobustheit und Interpretierbarkeit quantifiziert. Die Ergebnisse zeigen, dass Newton‑basierte Residual‑PINNs zwar Zustände rekonstruieren können, jedoch wichtige physikalische und thermodynamische Größen nicht zuverlässig zurückerhalten. Im Gegensatz dazu führen struktur­erhaltende Ansätze zu deutlich besseren Parameteridentifikationen, thermodynamischer Konsistenz und erhöhter Robustheit.

Diese Erkenntnisse liefern praktische Leitlinien für die gezielte Gestaltung thermodynamisch konsistenter Modelle und ebnen den Weg, noch allgemeinere Nicht‑Gleichgewichts‑Thermodynamik in die physik‑informierte KI zu integrieren.