PDE-Foundation-Model beschleunigt Parameterbestimmung in ICF

In der Forschung zu Inertial Confinement Fusion (ICF) setzen Wissenschaftler zunehmend auf sogenannte PDE‑Foundation‑Modelle. Diese Modelle werden auf riesigen, vielfältigen Datensätzen von partiellen Differentialgleichungen vortrainiert und können anschließend mit nur wenigen spezifischen Daten für neue Aufgaben angepasst werden. Während die meisten Tests bislang vor allem Vorhersagen von Forward‑Problemen prüfen, untersucht die aktuelle Arbeit ein echtes Inverse‑Problem: die Rückschätzung der Systemparameter aus einzelnen, multimodalen Beobachtungen.

Die Forscher nutzen dafür die offene JAG‑Benchmark, die hyperspektrale Röntgenbilder sowie skalare Messwerte zu jeder Simulation liefert. Durch Feinabstimmung des vortrainierten PDE‑Modells und das Hinzufügen einer schlanken, aufgaben‑spezifischen Kopf‑Schicht gelingt es, die Bilder exakt zu rekonstruieren und gleichzeitig die zugrunde liegenden Parameter zu regieren. Die Ergebnisse sind beeindruckend: die Bildrekonstruktion erreicht einen mittleren quadratischen Fehler von nur 1,2 × 10⁻³, während die Parameterabschätzung einen R²‑Wert von bis zu 0,995 erzielt.

Besonders aufschlussreich sind die Skalierungsexperimente, bei denen die Menge der Trainingsdaten von 5 % bis 100 % variiert wurde. In allen Fällen verbesserten sich Rekonstruktions‑ und Regressionsverluste mit zunehmender Datenmenge, wobei die größten marginalen Gewinne im niedrigen Datenbereich sichtbar wurden. Dies unterstreicht, wie wertvoll ein gut vorbereitetes Foundation‑Modell in datenarmen Szenarien ist.

Ein entscheidender Befund ist, dass das Feinabstimmen von Modellen, die bereits mit den MORPH‑Gewichten vortrainiert wurden, deutlich bessere Ergebnisse liefert als das Training derselben Architektur von Grund auf. Diese Erkenntnis zeigt, dass die Initialisierung mit einem Foundation‑Modell die Stichproben­effizienz für inverse Probleme in ICF erheblich steigert und damit einen wichtigen Schritt in Richtung praxisnaher Anwendungen darstellt.