Meta-Lernen für strukturbeibehaltende Dynamikmodelle
Strukturbeibehaltende Ansätze zur Modellierung von Dynamiken haben sich als äußerst vielversprechend erwiesen, weil sie durch starke induktive Voreinstellungen physikalische Gesetze wie Energieerhaltung und Dissipation automatisch einhalten. In der Praxis werden diese Modelle jedoch meist für eine feste Systemkonfiguration trainiert, was die Kenntnis aller Systemparameter erfordert und bei jeder Parameteränderung ein aufwändiges Neutrainieren nötig macht.
