naPINN: Rauschresistente PINNs rekonstruieren Modelle trotz korrupten Messdaten

Die neu entwickelte Methode naPINN (Noise‑Adaptive Physics‑Informed Neural Network) setzt neue Maßstäbe für die Analyse von Messdaten, die von starkem Rauschen und Ausreißern betroffen sind. Durch die Integration eines energiespezifischen Modells in den Trainingsprozess lernt naPINN die latente Verteilung der Vorhersagefehler und kann so gezielt Datenpunkte mit hoher Energie herausfiltern.

Ein adaptiver Zuverlässigkeitstor filtert automatisch die störanfälligen Messwerte, während eine Rejection‑Cost‑Regularisierung verhindert, dass gültige Daten versehentlich verworfen werden. Das Ergebnis ist ein robustes Modell, das physikalische Lösungen aus verrauschten Beobachtungen extrahieren kann, ohne dass die Rauschverteilung vorher bekannt sein muss.

In umfangreichen Tests an klassischen partiellen Differentialgleichungen, die mit nicht‑gaußschen Störungen und unterschiedlichen Ausreißerquoten belastet wurden, übertrifft naPINN bestehende robuste PINN‑Ansätze deutlich. Die Methode isoliert Ausreißer zuverlässig und rekonstruiert die zugrunde liegenden Dynamiken mit hoher Genauigkeit, selbst unter extremen Datenkorruptionen.

naPINN eröffnet damit neue Möglichkeiten für die Datenanalyse in Bereichen, in denen Messungen häufig von unerwarteten Störungen beeinflusst werden – von der Fluiddynamik bis zur Materialforschung. Die Technologie demonstriert, dass physikbasierte neuronale Netze auch in anspruchsvollen, verrauschten Umgebungen zuverlässig funktionieren können.