Neues Spiking-Netzwerk garantiert physikalische Genauigkeit auf Edge-Geräten

Die nächste Generation von eingebetteten KI-Systemen verlangt Echtzeitvorhersagen, die sowohl energieeffizient als auch physikalisch konsistent sind. Trotz großer Fortschritte bleibt die Umsetzung solcher Modelle auf ressourcenbeschränkten Edge-Geräten eine zentrale Herausforderung.

Physics‑Informed Neural Networks (PINNs) verbinden datengetriebenes Lernen mit physikbasierten Einschränkungen, um Vorhersagen zu erzeugen, die den zugrunde liegenden Gesetzen entsprechen. In der Praxis sind PINNs jedoch sehr energieintensiv und können die Erhaltung physikalischer Gesetze nicht immer exakt durchsetzen.

Spiking Neural Networks (SNNs) bieten eine vielversprechende Alternative für Edge‑Computing und Echtzeitverarbeitung. Eine direkte Umwandlung von PINNs in SNNs führt jedoch zu einem Verlust an physikalischer Genauigkeit und erschwert die langfristige Generalisierung.

Die vorgestellte Lösung ist ein Physics‑Informed Spiking Neural Network (PISNN). Zentrale Innovationen sind der Conservative Leaky Integrate‑and‑Fire (C‑LIF) Neuron, der durch seine Dynamik die lokale Massenerhaltung garantiert, und die Conservative Flux Quantization (CFQ) Strategie, die neuronale Spitzen als diskrete Pakete physikalischen Flusses definiert. CFQ lernt einen zeitinvarianten physikalischen Evolutionsoperator, wodurch das PISNN zu einem general‑purpose Solver wird, der von Bau auf Bau konservativ ist.

Umfangreiche Tests zeigen, dass das PISNN bei klassischen Aufgaben wie der 1‑D‑Wärmeleitung und der anspruchsvolleren 2‑D‑Laplace‑Gleichung die Systemdynamik präzise simuliert und gleichzeitig eine perfekte Massenerhaltung gewährleistet.