Gaussian Mixture VAE liefert physikalisch interpretierbare Repräsentationen

Die Extraktion kompakter, physikalisch interpretierbarer Darstellungen aus hochdimensionalen wissenschaftlichen Daten bleibt eine zentrale Herausforderung, weil physikalische Systeme komplexe, nichtlineare Strukturen aufweisen. Ein neuer Ansatz, der Gaussian Mixture Variational Autoencoder (GM‑VAE), adressiert dieses Problem, indem er ein Expectation‑Maximization‑inspiriertes Trainingsschema mit einer neuartigen spektralen Interpretierbarkeitsmetrik kombiniert.

Im Gegensatz zu herkömmlichen VAEs, die Rekonstruktion und Clustering gleichzeitig optimieren und dadurch häufig zu Instabilitäten führen, nutzt der GM‑VAE eine Block‑Coordinate‑Descent‑Strategie. Dabei werden Erwartungs- und Maximierungsschritte abwechselnd ausgeführt, was das Training stabilisiert und die latenten Cluster automatisch mit unterschiedlichen physikalischen Regimen in Einklang bringt.

Zur objektiven Bewertung der erlernten Repräsentationen wird ein quantitativer Graph‑Laplacian‑Smoothness‑Maß eingeführt. Dieses misst die Kohärenz physikalischer Größen über das latente Manifold hinweg und liefert damit eine klare Messgröße für die physikalische Konsistenz.

Die Wirksamkeit des Ansatzes wurde an einer Reihe von Datensätzen mit steigender Komplexität demonstriert: von Oberflächenreaktions‑ODEs über Navier‑Stokes‑Wake‑Flows bis hin zu experimentellen Laser‑induzierten Verbrennungs‑Schlierenbildern. In allen Fällen erzeugt der GM‑VAE glatte, physikalisch konsistente Manifeste und präzise Regime‑Cluster, was ihn zu einem robusten datengetriebenen Werkzeug für die Interpretation turbulenter und reaktiver Strömungssysteme macht.