Neues neuronales Netzwerk löst lineare Gleichungen mit Sampling‑Kaczmarz‑Motzkin

Ein neues neuronales Netzwerk namens T‑SKM‑Net hat die Art und Weise revolutioniert, wie lineare Ungleichungssysteme in sicherheitskritischen Anwendungen gelöst werden. Durch die Kombination des Sampling‑Kaczmarz‑Motzkin‑Verfahrens (SKM) mit einem trainierbaren Framework kann das System komplexe Mischbedingungen – sowohl Gleichungen als auch Ungleichungen – in reine Ungleichungen überführen, effizient lösen und anschließend die Ergebnisse zurück in den ursprünglichen Lösungsraum transformieren.

Die Autoren zeigen, dass trotz der nicht differenzierbaren Argmax‑Operationen des SKM‑Verfahrens das Netzwerk mit Standard‑Backpropagation trainiert werden kann. Sie liefern theoretische Beweise dafür, dass die Post‑Processing‑Schritte im Erwartungswert wirksam sind und dass die Gradientenunbiased bleiben, sodass das Modell vollständig end‑to‑end optimierbar ist.

In einem Benchmark-Test auf dem DCOPF‑Case118 zeigte T‑SKM‑Net eine beeindruckende Laufzeit von nur 4,27 ms pro Element bei serieller GPU‑Inference und erzielte einen maximalen Optimalitätsabstand von lediglich 0,0025 %. Diese Ergebnisse deuten darauf hin, dass das Framework sowohl hochpräzise als auch äußerst effizient ist und damit neue Möglichkeiten für die Optimierung von Stromnetzen, Robotik und autonomen Fahrzeugen eröffnet.