Physik als induktiver Bias für kausale Entdeckung in dynamischen Systemen

In einer neuen Studie wird gezeigt, wie physikalisches Wissen als induktiver Bias in die kausale Entdeckung eingebunden werden kann. Der Ansatz nutzt bekannte physikalische Modelle, etwa gewöhnliche Differentialgleichungen, um die Dynamik eines Systems zu beschreiben, und ergänzt sie um unbekannte kausale Wechselwirkungen, die als Diffusionsterm in einer stochastischen Differentialgleichung modelliert werden.

Das vorgestellte Verfahren kombiniert diese physikalische Struktur mit einem skalierbaren, sparsity‑induzierten Maximum‑Likelihood‑Estimator. Durch die Berücksichtigung der Graphstruktur des kausalen Modells kann die Parameter­schätzung effizienter durchgeführt werden. Unter milden Bedingungen liefert die Theorie sogar Identifikationsgarantien für die zugrunde liegende kausale Struktur.

Experimentelle Tests an dynamischen Systemen mit unterschiedlichen kausalen Topologien zeigen, dass der neue Ansatz die Wiederherstellung des kausalen Graphen deutlich verbessert. Gleichzeitig liefert er stabilere und physikalisch konsistentere Schätzungen als aktuelle, rein datengetriebene Methoden.