Neuer Ansatz rekonstruiert Interaktionsnetzwerke aus Gleichgewichtszuständen

Ein innovativer, variationaler Ansatz namens VPIA (Variational Physics‑Informed Ansatz) ermöglicht es, die verborgenen Interaktionsstrukturen komplexer dynamischer Systeme ausschließlich aus Gleichgewichtszuständen zu rekonstruieren. Dabei werden die physikalischen Gleichgewichtsbedingungen direkt in eine differenzierbare Repräsentation eingebettet und ein physikbasierter Residualterm minimiert – ohne dass zeitliche Trajektorien, Ableitungen oder externe Labels nötig sind.

VPIA nutzt Residual‑Sampling in Kombination mit einer natürlichen‑Gradient‑Optimierung, um große und hochgradig nichtlineare Netzwerke effizient zu lernen. Der Ansatz ist skalierbar und kann auch höhere‑Ordnungskopplungen erfassen, die in vielen realen Systemen auftreten.

In umfangreichen Tests an verschiedenartigen nichtlinearen Modellen hat VPIA gezeigt, dass es gerichtete, gewichtete und mehrkörperige Strukturen zuverlässig zurückverfolgt – selbst bei starkem Rauschen. Damit bietet es ein robustes, einheitliches Verfahren für die physik‑beschränkte Inferenz von Interaktionsnetzwerken, wenn nur Schnappschuss‑Beobachtungen vorliegen.