Diffusionsmodelle erweitern Parameterinferenz auf 2D-Spatialconditioning
Ein neuer Ansatz aus der KI-Forschung erweitert die Conditional Diffusion Model‑based Inverse Problem Solver (CDI) von eindimensionalen zeitlichen Signalen auf zweidimensionale räumliche Daten. Damit wird die probabilistische Parameterinferenz direkt aus 2‑D‑Beobachtungen möglich.
Die Erweiterung wurde anhand von simulierten Convergent Beam Electron Diffraction (CBED) Daten getestet – einem anspruchsvollen Mehrparameter‑Inverse‑Problem in der Materialcharakterisierung. Hier müssen Geometrie, elektronische Struktur und thermische Eigenschaften aus 2‑D‑Diffractionsmustern extrahiert werden.
Die Ergebnisse zeigen, dass CDI gut kalibrierte Posteriorverteilungen liefert, die die Messbeschränkungen exakt widerspiegeln: für gut bestimmbare Größen schmale Verteilungen, für unklare Parameter breitere. Im Gegensatz dazu verbergen herkömmliche Regressionsmethoden Unsicherheiten, indem sie Mittelwerte aus dem Trainingsdatensatz vorhersagen.
Diese Studie bestätigt, dass CDI erfolgreich von zeitlichen auf räumliche Domänen übergeht und damit die notwendige Unsicherheitsinformation für robuste wissenschaftliche Inferenz bereitstellt.