Neuro-Symbolische Multitasking-Methodik liefert interpretierbare PDE-Lösungen

Das Lösen partieller Differentialgleichungen (PDEs) ist ein zentrales Thema in vielen naturwissenschaftlichen und ingenieurtechnischen Bereichen. Besonders schwierig ist die Behandlung von PDE-Familien, bei denen die mathematische Struktur gleich bleibt, die Parameter jedoch variieren. Traditionelle numerische Verfahren wie die Finite-Elemente-Methode müssen jede Instanz dieser Familien einzeln berechnen, was enorme Rechenkosten verursacht.

Moderne maschinelle Lernansätze für PDEs bieten zwar beeindruckende Geschwindigkeit und Genauigkeit, bleiben jedoch meist als „Black‑Box“ erhalten. Sie liefern reine numerische Approximationen und verzichten auf die analytische Ausdrucksform, die für tiefergehende wissenschaftliche Erkenntnisse unerlässlich ist.

Um diese Grenzen zu überwinden, wurde der neuro‑unterstützte, multitasking‑symbolische PDE‑Solver NMIPS entwickelt. Das System kombiniert neuronale Netzwerke mit symbolischer Optimierung, um analytische Lösungen für ganze PDE-Familien gleichzeitig zu entdecken.

Ein zentrales Element ist die multifaktorielle Optimierung, die mehrere Aufgaben gleichzeitig adressiert. Zusätzlich wird ein affines Transferverfahren eingesetzt, das bereits erlernte mathematische Strukturen zwischen den Gleichungen einer Familie weitergibt und so das erneute Lösen von Grund auf vermeidet.

Experimentelle Tests an verschiedenen Beispielfamilien zeigen, dass NMIPS die Genauigkeit im Vergleich zu bestehenden Methoden um bis zu 35,7 % steigert und gleichzeitig vollständig interpretierbare analytische Lösungen liefert. Damit eröffnet die Methode neue Möglichkeiten für effiziente und nachvollziehbare PDE‑Analyse in Forschung und Praxis.