SnareNet: Reparationsschichten für neuronale Netze mit harten Constraints
Neurale Netze werden zunehmend als Ersatzlösungen und Steuerungspolicies eingesetzt, doch unbeschränkte Vorhersagen können physikalische, betriebliche oder Sicherheitsanforderungen verletzen. Mit SnareNet wird dieses Problem adressiert: Die Architektur fügt eine differenzierbare Reparationsschicht hinzu, die im Bereich der Constraint‑Karte navigiert und Iterationen gezielt in die zulässige Region führt. Das Ergebnis ist ein reparierter Output, der innerhalb einer vom Anwender festgelegten Toleranz alle Eingabe‑abhängigen nichtlinearen Einschränkungen erfüllt.
Um das End‑to‑End‑Training zu stabilisieren, nutzt SnareNet adaptive Relaxation. Dabei wird zunächst ein gelockerter zulässiger Bereich definiert, der das neuronale Netz bei der Initialisierung „fängt“ und anschließend schrittweise in den strengen zulässigen Satz zurückführt. Dieser Ansatz ermöglicht eine frühe Exploration des Lösungsraums und gewährleistet später eine strenge Einhaltung der Constraints.
Auf Benchmark‑Aufgaben aus Optimierung und Trajektorienplanung liefert SnareNet konsequent bessere Zielwerte und eine zuverlässigere Erfüllung der Constraints als bisherige Methoden. Die Kombination aus Reparationsschicht und adaptiver Relaxation macht SnareNet zu einer vielversprechenden Lösung für Anwendungen, bei denen Genauigkeit und Konformität gleichermaßen entscheidend sind.