Lang-PINN: Von natürlicher Sprache zu physikinformierten neuronalen Netzen

Ein neues Tool namens Lang‑PINN nutzt große Sprachmodelle, um physikinformierte neuronale Netzwerke (PINNs) direkt aus einfachen Textbeschreibungen zu erstellen. Durch die Kombination vier spezialisierter Agenten – PDE, PINN, Code und Feedback – wird der gesamte Prozess von der Problemformulierung bis zur Ausführung automatisiert.

Der PDE‑Agent wandelt die Aufgabenbeschreibung in eine symbolische partielle Differentialgleichung (PDE) um. Anschließend wählt der PINN‑Agent die passende Netzwerkarchitektur aus, während der Code‑Agent modulare Implementierungen generiert. Der Feedback‑Agent führt das Modell aus, diagnostiziert Fehler und leitet iterative Verbesserungen ein, sodass das System kontinuierlich optimiert wird.

Experimentelle Ergebnisse zeigen, dass Lang‑PINN die Fehlerquote signifikant senkt: Der mittlere quadratische Fehler (MSE) reduziert sich um bis zu drei bis fünf Größenordnungen. Gleichzeitig steigt die Erfolgsrate bei End‑to‑End-Ausführungen um mehr als 50 % und die benötigte Rechenzeit um bis zu 74 %. Diese Fortschritte machen Lang‑PINN zu einer vielversprechenden Lösung für die schnelle und zuverlässige Entwicklung von PINNs.