UDE-basierte Surrogates beschleunigen Agentenbasierte Epidemiemodelle um 10.000×

Eine neue Methode namens ABM‑UDE nutzt Universal Differential Equations (UDE), um agentenbasierte Epidemiemodelle (ABMs) in Sekunden zu replizieren. Durch die direkte Lernung aus exascale ABM‑Trajektorien werden maßgeschneiderte Surrogates für einzelne Landkreise entwickelt, die die komplexe Verhaltens- und Politikheterogenität der ursprünglichen Modelle beibehalten.

Im Kern setzt ABM‑UDE auf mechanistische SEIR‑ähnliche Differentialgleichungen, deren Kontakt­rate \(\kappa_\phi(u,t)\) vollständig von neuronalen Netzen parametrisiert wird – ohne additive Residuen. Diese Kombination aus physikalischer Struktur und lernbarer Flexibilität ermöglicht eine präzise Modellierung von Infektionsdynamiken unter wechselnden Interventionen.

Zur Stabilisierung der Parameteridentifikation wurden mehrere Shooting‑Methoden mit einem observerbasierten Prediction‑Error‑Method (PEM) kombiniert. Zusätzlich werden Positivität und Massenerhaltung explizit durch Constraints sichergestellt, sodass die erlernte Kontakt­rate ein gut definiertes Vektorfeld erzeugt.

In einem repräsentativen ExaEpi‑Szenario reduziert PEM‑UDE die mittlere quadratische Abweichung (MSE) um 77 % im Vergleich zu einer einfachen UDE‑Implementierung und um 20 % gegenüber einer Multi‑Shooting‑UDE. Die Zuverlässigkeit steigt deutlich: Empirische Abdeckungsraten für 10‑90 % und 25‑75 % Intervalle steigen von 0,68/0,43 (UDE) bzw. 0,79/0,55 (MS‑UDE) auf 0,86/0,61 (PEM‑UDE) und 0,94/0,69 (MS + PEM‑UDE). Diese Werte zeigen, dass die Unsicherheitsabschätzungen kalibriert und nicht übermäßig zuversichtlich sind.

Die Rechenzeit für einen 90‑Tage‑Vorhersage‑Run beträgt lediglich 20–35 Sekunden auf handelsüblichen CPUs. Im Vergleich zu einem ABM‑Referenzlauf, der rund 100 CPU‑Stunden benötigt, bedeutet das einen Zeitfaktor von etwa 10 000. Damit können tägliche „What‑If“-Szenarien auf einem Laptop ausgeführt werden, was die Entscheidungsfindung in Echtzeit stark erleichtert.

ABM‑UDE schließt damit die Kluft zwischen realitätsnahen Modellen und der erforderlichen Rechenleistung für schnelle Planung. Die Technologie bietet Entscheidungsträgern ein leistungsfähiges Werkzeug, um bedarfsorientierte Maßnahmen in Echtzeit zu evaluieren und zu optimieren.