Neues Verfahren: DM‑KRR – Diffusion Maps Kernel Ridge Regression für langfristige Systemvorhersagen

Wissenschaftler haben ein neues, einfaches Modell entwickelt, das die langfristige Vorhersage komplexer dynamischer Systeme deutlich verbessert. Das Verfahren, genannt Diffusion Maps Kernel Ridge Regression (DM‑KRR), kombiniert die klassische Kernel Ridge Regression mit einem datengetriebenen Kernel, der aus Diffusion Maps abgeleitet wird.

Durch die Verwendung dieses geometrisch informierten Kernels passt sich DM‑KRR automatisch an die intrinsische Struktur des Systems an, ohne dass eine explizite Manifold‑Rekonstruktion oder Attractor‑Modellierung erforderlich ist. Diese Eigenschaft ermöglicht es dem Modell, die geometrischen Beschränkungen der Daten zu respektieren und damit die Vorhersagegenauigkeit über lange Zeiträume zu erhöhen.

In umfangreichen Tests, die glatte Mannigfaltigkeiten, chaotische Attraktoren und hochdimensionale spatio‑temporale Strömungen umfassen, übertrifft DM‑KRR nachweislich führende Methoden wie Random‑Feature‑Ansätze, neuronale Netzwerke und Operator‑Learning-Algorithmen – sowohl in Bezug auf die Genauigkeit als auch auf die Daten­effizienz. Die Ergebnisse zeigen, dass die Kombination aus Einfachheit, geometrischer Sensibilität und empirischer Leistungsfähigkeit einen vielversprechenden Weg für die zuverlässige und effiziente Modellierung komplexer dynamischer Systeme eröffnet.