Lagrange‑Darstellungen prüfen neuronale Modelle von Hamiltonschen Systemen

Forscher haben ein neues Diagnosewerkzeug namens Lagrange‑Descriptors (LDs) entwickelt, um neuronale Netzwerke, die Hamiltonsche Dynamiken simulieren, genauer zu bewerten. Im Gegensatz zu herkömmlichen Fehlermaßen, die nur die kurzfristige Vorhersagegenauigkeit messen, liefert das LD‑Framework tiefe Einblicke in die globale Geometrie von Phasenraumsystemen, etwa in Orbits und Trennlinien.

Die Autoren haben ein statistisches Verfahren eingeführt, bei dem Wahrscheinlichkeitsdichten nach LD‑Werten gewichtet werden. So lässt sich die geometrische Struktur in einen informationstheoretischen Vergleich einbetten, was bei dissipativen Systemen bisher nicht möglich war. Anschließend wurden physikalisch konstruierte Architekturen – SympNet, HénonNet und Generalized Hamiltonian Neural Networks – gegen das datengetriebene Reservoir Computing getestet.

Bei der Duffing‑Oszillator‑Simulation konnten alle Modelle die Homoklinische Orbit‑Geometrie mit relativ wenig Daten rekonstruieren, wobei die Genauigkeit in kritischen Bereichen jedoch unterschiedlich ausfiel. In der dreimodalen nichtlinearen Schrödinger‑Gleichung zeigte sich ein deutlicher Unterschied: Symplektische Netzwerke bewahrten die Energie, verfälschten jedoch die Phasenraumtopologie, während das Reservoir Computing trotz fehlender physikalischer Einschränkungen die Homoklinische Struktur mit hoher Präzision reproduzierte.

Diese Ergebnisse unterstreichen die Bedeutung von LD‑basierten Diagnosen, um nicht nur die Vorhersageleistung, sondern auch die integrale Dynamik von lernenden Hamiltonschen Modellen zu beurteilen. Das neue Verfahren eröffnet damit einen vielversprechenden Ansatz, um die globale Dynamik von neuronalen Netzwerken systematisch zu prüfen.