Untersuchung Trainingspunktverteilungen in physik-informierten neuronalen Netzen

Ein neues Papier, das auf arXiv veröffentlicht wurde, untersucht systematisch, wie die Verteilung der Trainingspunkte die Genauigkeit von physik-informierten neuronalen Netzen (PINNs) beeinflusst. Die Autoren zeigen, dass die Wahl der Punkte entscheidend für die Leistung der Modelle ist.

PINNs lösen Differentialgleichungen, indem sie die mathematische Struktur der Gleichung direkt in die Verlustfunktion einbetten. Dadurch lassen sich Bedingungen wie Invarianten einfach in die Modellierung einfließen, und die Netze können anschließend auf beliebigen Gittern angewendet werden – ein Ansatz, der als mesh‑frei gilt.

Die Leistung von PINNs hängt jedoch von vielen Faktoren ab, darunter die Architektur des Netzes, die Initialisierung der Gewichte und vor allem die Verteilung der Trainingspunkte. In der vorliegenden Studie wurden vier Gleichungen – zwei gewöhnliche und zwei partielle Differentialgleichungen – mit fünf unterschiedlichen Strategien zur Generierung der Trainingsdaten getestet.

Die Autoren setzten dabei auf flache Netzwerke mit einer und zwei versteckten Schichten und führten zusätzlich eine neue sine‑basierte Punktverteilung ein, die sich an den Chebyshev‑Knoten orientiert. Diese innovative Methode soll die Abdeckung des Lösungsraums verbessern.

Die Ergebnisse zeigen deutlich, dass die Trainingspunktverteilung die Lösungsgenaue­keit maßgeblich beeinflusst. Besonders bei bestimmten Parameterkombinationen, etwa bei zufälliger Initialisierung mit festem Seed, wurde ein klarer Zusammenhang zwischen der Verteilung und den Eigenschaften der Differentialgleichung festgestellt.

Die Studie unterstreicht die Bedeutung einer sorgfältigen Auswahl der Trainingspunkte für PINNs und liefert wertvolle Hinweise für die zukünftige Entwicklung von Trainingsstrategien, die die Effizienz und Genauigkeit dieser vielversprechenden Methode weiter steigern können.