Neural-Netzwerk entdeckt ohne Fehlalarme neue Erhaltungssätze aus Daten

Ein neues Verfahren namens NGCG kombiniert neuronale Netzwerke mit symbolischer Analyse, um Erhaltungssätze aus Messdaten zu extrahieren, ohne dabei falsche Positiv-Ergebnisse zu liefern. Durch die Trennung von Dynamiklernen und Invariantenerkennung kann NGCG Parametervariationen, nicht-polynomiale Invarianten und lokale Minima systematisch überwinden.

Der Ansatz nutzt einen Mehrfachstart-Varianzminimierer, der eine nahezu konstante latente Repräsentation erzeugt. Anschließend werden system-spezifische symbolische Extraktionsmethoden – darunter polynomielle Lasso-Regression, Log-Basis-Lasso, explizite PDE-Kandidaten und PySR – eingesetzt, um geschlossene Ausdrücke zu generieren. Ein strenger Konstanzfilter und ein Diversitätsfilter eliminieren anschließend spurious Laws.

In einem Benchmark aus neun unterschiedlichen Systemen, darunter Hamiltonsche und dissipative ODEs, chaotische Modelle sowie PDEs, erzielte NGCG eine perfekte Entdeckung (DR = 1,0), keine Fehlalarme (FDR = 0,0) und einen F1‑Score von 1,0 bei allen vier Systemen mit echten Erhaltungssätzen. Besonders hervorzuheben ist die erfolgreiche Anwendung auf das Lotka‑Volterra‑System, wo bisher keine Methode ohne Fehlalarme funktionierte. Auf den fünf Systemen ohne Invarianten meldete NGCG korrekt keine Gesetze.

Extensive Tests zeigen, dass die Methode robust gegenüber Rauschen (σ = 0,1) ist, nur 50–100 Trajektorien benötigt und nahezu unabhängig von Hyperparametern arbeitet. Der gesamte Laufzeitaufwand liegt unter einer Minute pro System. Eine Pareto‑Analyse verdeutlicht, dass NGCG eine Bandbreite von Kandidatenausdrücken liefert, sodass Anwender Komplexität gegen Konstanz abwägen können.

NGCG stellt damit einen bedeutenden Fortschritt im datengetriebenen Entdecken von Erhaltungssätzen dar, indem es hohe Genauigkeit mit Effizienz und Zuverlässigkeit verbindet.