Neuer Algorithmus SAKE optimiert Kontextfenster für PDE-Simulationen

In der Welt der physikalisch basierten Vorhersagen haben Forscher einen bedeutenden Fortschritt erzielt: Der neu entwickelte Algorithmus SAKE (System-Anchored Knee Estimation) bietet eine effiziente Lösung für die Auswahl des optimalen Kontextfensters bei autoregressiven neuronalen PDE-Simulatoren. Diese Simulatoren prognostizieren die Entwicklung physikalischer Felder Schritt für Schritt aus einer begrenzten Historie, doch die Auswahl eines kostengünstigen Kontextfensters blieb bislang ungeformuliert.

Traditionelle Ansätze wie exhaustive Validierung, direkte Low‑Cost-Suche oder systemtheoretische Speicherabschätzungen sind entweder teuer, anfällig oder nicht direkt auf die Rollout‑Leistung ausgerichtet. SAKE löst dieses Problem, indem es in zwei Schritten vorgeht: Zunächst wird ein kleiner, strukturiertem Kandidatenpool aus physikalisch interpretierbaren Systemankern gebildet. Anschließend erfolgt die Auswahl des besten Fensters unter Berücksichtigung des „Knee“-Effekts, der die optimale Balance zwischen Genauigkeit und Rechenaufwand bestimmt.

Die Leistungsfähigkeit von SAKE wurde an allen acht PDEBench-Familien getestet, die unter dem gemeinsamen L‑Protokoll (L ∈ {1,…,16}) bewertet wurden. Im Vergleich zu anderen Low‑Cost-Selektoren erzielte SAKE die besten Ergebnisse: 67,8 % exakte Treffer, 91,7 % innerhalb eines Schritts, ein durchschnittlicher Regret@Knee von 6,1 % und einen Kostenquotienten von 0,051 – was einer Einsparung von 94,9 % an normalisierten Suchkosten entspricht.

Mit SAKE erhalten Forscher und Praktiker ein robustes, kosteneffizientes Werkzeug, das die Genauigkeit von PDE‑Vorhersagen verbessert und gleichzeitig die Rechenressourcen schont. Dieser Fortschritt markiert einen wichtigen Schritt in Richtung schnellerer und präziserer Simulationen in der wissenschaftlichen Forschung und Industrie.