Generatives Modell lernt physikalische Manifold-Geometrie – neue Surrogattechnik

In der Welt der Surrogatmodelle für komplexe physikalische Systeme besteht oft ein Spannungsfeld zwischen passgenauer Datenanpassung und physikalischer Konsistenz. Traditionelle Ansätze setzen physikalische Gesetze häufig als weiche Einschränkungen in den Verlustfunktion ein, was jedoch nicht immer eine strikte Einhaltung der Governing‑Equations garantiert. Alternativ werden nachträgliche Korrekturen vorgenommen, die die zugrunde liegende Lösungsgeometrie nicht wirklich erlernen.

Um diese Grenzen zu überwinden, präsentiert das Forschungsteam das Conditional Denoising Model (CDM), ein generatives Modell, das die Geometrie des physikalischen Manifolds selbst erlernt. Durch das Training, verrauschte Zustände wieder in saubere Zustände zu transformieren, lernt das Netzwerk ein Vektorfeld, das kontinuierlich in Richtung des gültigen Lösungsunterraums zeigt.

Eine zeitunabhängige Formulierung wandelt die Inferenz in eine deterministische Fixpunktiteration um, wodurch verrauschte Approximationen effektiv auf das Gleichgewichts‑Manifold projiziert werden. Auf einem Benchmark aus der Plasma‑Physik und -Chemie bei niedrigen Temperaturen hat das CDM gezeigt, dass es sowohl hinsichtlich Parameter‑ als auch Daten‑Effizienz die physik-konsistenten Baselines übertrifft.

Besonders bemerkenswert ist, dass die Denoising‑Aufgabe als starker impliziter Regularisierer wirkt: Obwohl das Modell während des Trainings nie die Governing‑Equations gesehen hat, hält es sich physikalischen Beschränkungen deutlich strenger an als Modelle, die explizite physikbasierte Verluste nutzen.