TENG-BC: Neural PDE Solver mit hoher Präzision bei zeitabhängigen Gleichungen

Ein neuer Ansatz namens TENG-BC (Time‑Evolving Natural Gradient for Boundary Conditions) verspricht, die langjährige Herausforderung der exakten Lösung zeitabhängiger partieller Differentialgleichungen (PDEs) mit neuronalen Netzwerken zu überwinden. Durch die Kombination eines natürlichen Gradienten‑Optimierers mit einer zeitlich adaptiven Strategie kann TENG-BC die Fehlerentwicklung über lange Zeiträume hinweg stark reduzieren.

Der Kern des Verfahrens liegt in einer „boundary‑aware“ Optimierung, die zu jedem Zeitschritt gleichzeitig die inneren Dynamiken der PDE und sämtliche Randbedingungen – sei es Dirichlet, Neumann, Robin oder Mischtypen – berücksichtigt. Dadurch entfällt die Notwendigkeit, empfindliche Strafparameter zu wählen, und die Lösung bleibt stabil, selbst bei komplexen Randkonfigurationen.

In umfangreichen Benchmarks, die Diffusions‑ und Transport‑PDEs sowie nichtlineare Gleichungen mit unterschiedlichen Randbedingungen abdecken, erzielt TENG-BC eine solver‑level Präzision. Unter vergleichbaren Stichprobenbudgets übertrifft es sowohl klassische numerische Solver als auch etablierte Physics‑Informed Neural Network (PINN) Baselines deutlich.