Skalierbares GP-Framework für parametrische Raum‑Zeit‑Felder

In einer kürzlich veröffentlichten Studie haben Forscher ein neues, skalierbares Gaussian‑Process‑Framework vorgestellt, das parametrische Raum‑Zeit‑Felder aus Daten lernen kann. Das System nutzt tiefe Produkt‑Kernels, um eine kontinuierliche Repräsentation zu erzeugen, die Vorhersagen an beliebigen räumlich‑zeitlichen Koordinaten ermöglicht – unabhängig von der Auflösung der Trainingsdaten.

Durch den Einsatz von Kronecker‑Matrix‑Algebra erreicht das Verfahren eine Trainingskomplexität, die nahezu linear mit der Gesamtzahl der Raum‑Zeit‑Gitterpunkte skaliert. Damit wird die Modellierung großer Datensätze deutlich effizienter.

Ein besonderes Merkmal ist die effiziente Berechnung der posterioren Varianz zum gleichen Rechenaufwand wie der posterioren Mittelwertschätzung. Für kartesische Gitter ist die Varianz exakt, bei unstrukturierten Gitterpunkten werden rigorose Schranken verwendet. Diese Eigenschaft ermöglicht eine skalierbare Unsicherheitsquantifizierung.

Numerische Tests an verschiedenen Benchmark‑Problemen zeigen, dass die Genauigkeit des Ansatzes mit modernen Operator‑Learning‑Methoden wie Fourier‑Neural‑Operators und Deep‑Operator‑Networks konkurriert. Auf der eindimensionalen, unsteady Burgers‑Gleichung übertrifft das neue Verfahren sogar projizierungsbasierte Reduktionsmodelle.

Die Ergebnisse positionieren das vorgestellte Framework als leistungsfähiges Werkzeug für datengetriebenes Surrogat‑Modellieren, insbesondere wenn Unsicherheitsabschätzungen für nachgelagerte Anwendungen erforderlich sind.