Variationsgraphneuronale Netzwerke quantifizieren Unsicherheit bei inversen Problemen

Ein neues arXiv‑Veröffentlichung (2603.29515v1) präsentiert eine innovative Architektur namens Variational Graph Neural Network (VGNN). Diese nutzt gezielt variationale Schichten im Decoder, um die Wahrscheinlichkeitsverteilung der Gewichte zu modellieren und damit Unsicherheiten in den Vorhersagen zu quantifizieren.

Im Gegensatz zu reinen deterministischen Modellen, die keine Vertrauensmaße liefern, und zu vollwertigen Bayesschen Netzen, die sehr rechenintensiv sind, bietet die VGNN einen kostengünstigen Ansatz. Durch die Platzierung der variationalen Schichten ausschließlich im Decoder kann das Modell kognitive und statistische Unsicherheiten ermitteln, ohne die gesamte Netzwerkarchitektur zu belasten.

Die Wirksamkeit der Methode wurde in zwei klassischen Problemen der Festkörpermechanik demonstriert. Erstens identifiziert das Netzwerk die elastische Steifigkeit mit nichtlinearer Verteilung in einer 2‑D‑elastischen Aufgabe, nur anhand der Verschiebungsfelddaten. Zweitens lokalisiert und quantifiziert es die auf einen 3‑D‑hyperelastischen Balken wirkenden Lasten, ebenfalls ausschließlich mit den gemessenen Verschiebungen als Eingabe.

Diese Ergebnisse zeigen, dass VGNNs eine vielversprechende Lösung für inverse Probleme darstellen, bei denen die Zuverlässigkeit der Ergebnisse genauso wichtig ist wie die Geschwindigkeit der Berechnung. Die Arbeit eröffnet neue Möglichkeiten für digitale Zwillinge in Ingenieurwesen und Medizin, wo schnelle und vertrauenswürdige Simulationen entscheidend sind.