TENG++: Gradient löst PDEs mit Deep Neural Nets bei Randbedingungen

Partielle Differentialgleichungen (PDEs) bilden das Rückgrat vieler Modelle in Physik, Biologie und Technik. Traditionelle numerische Verfahren stoßen jedoch häufig an Grenzen, wenn die Dimensionalität hoch oder die Randbedingungen komplex sind.

Physics‑Informed Neural Networks (PINNs) haben sich als vielversprechende Alternative etabliert, indem sie physikalische Gesetze direkt in das Lernverfahren einbetten. Dennoch kämpfen sie oft mit der Erreichung hoher Genauigkeit und der Handhabung schwieriger Randbedingungen.

Die neue Methode TENG++ erweitert das Time‑Evolving Natural Gradient (TENG) Framework um die Behandlung von Dirichlet‑Randbedingungen. Durch die Kombination des natürlichen Gradienten mit klassischen Zeitschritt‑Methoden wie Euler und Heun wird sowohl Stabilität als auch Präzision gewährleistet. Die Randbedingungen werden dabei als Strafterm in die Verlustfunktion integriert, sodass die Dirichlet‑Bedingungen exakt eingehalten werden.

Anhand der Wärmeleitungsgleichung zeigen die Experimente, dass die Heun‑Methode dank ihrer zweiten‑Ordnung‑Korrekturen eine deutlich höhere Genauigkeit liefert, während die Euler‑Methode in einfacheren Szenarien besonders effizient ist. Die Arbeit legt damit einen soliden Grundstein für die Ausweitung auf Neumann‑ und Misch‑Randbedingungen sowie auf weitere PDE‑Klassen, was die Einsatzmöglichkeiten von neuronalen Netz‑Lösungen in realen Anwendungen erheblich erweitert.