Neues neuronales Netzwerk liefert thermodynamische Vorhersagen aus beobachtbaren Daten

In der aktuellen Forschung liegt der Fokus stark auf datenbasierten Methoden zur Vorhersage der Dynamik physikalischer Systeme. Dabei werden vergangene Trajektorien im Phasenraum genutzt, um die Bewegungsgleichungen zu rekonstruieren und zukünftige Zustände vorherzusagen, die noch nicht beobachtet wurden.

Ein Problem tritt auf, wenn die verfügbaren Messdaten nicht die vollständigen Variablen des Phasenraums enthalten. Besonders bei dissipativen Systemen besteht der Phasenraum aus Koordinaten, Impulsen und Entropien, wobei Impulse und Entropien in der Regel nicht direkt beobachtbar sind. Diese Lücke erschwert die klassische datenbasierte Modellierung.

Die vorgestellte Arbeit entwickelt ein effizientes, datenbasiertes Framework, das ausschließlich beobachtbare Variablen nutzt. Durch die Konstruktion eines thermodynamischen Lagrangeans und die Integration von neuronalen Netzwerken, die die Thermodynamik respektieren, wird die nicht abnehmende Entropie garantiert. Das Ergebnis ist ein Netzwerk, das die Phasenraumentwicklung mit wenigen Datenpunkten und einer überschaubaren Parameterzahl präzise beschreibt.