NOVA: Neuronale Physiklösungen generalisieren über Trainingsgrenzen hinweg

Neuronale Physiklösungen gewinnen immer mehr an Bedeutung, weil sie schnelle, in‑silico‑Einblicke in physikalische, materialwissenschaftliche oder biologische Systeme ermöglichen. Ein großes Problem bleibt jedoch die schlechte Generalisierung über die Trainingsdaten hinaus, was die Erkundung neuer Designs und langfristiger Vorhersagen stark einschränkt.

Die neue Methode NOVA löst dieses Problem, indem sie physik‑ausgerichtete Repräsentationen aus einer kleinen Anzahl von Ausgangsszenarien lernt. Dadurch erzielt NOVA OOD‑Fehler, die 1–2 Größenordnungen niedriger sind als bei herkömmlichen datengetriebenen Ansätzen. Das gilt für komplexe, nichtlineare Aufgaben wie Wärmeleitung, Diffusions‑Reaktions‑ und Fluidströmungen.

Darüber hinaus stabilisiert NOVA lange Zeit‑Dynamik‑Simulationen und verbessert die generative Gestaltung, etwa bei der Simulation von nichtlinearen Turing‑Systemen oder der Optimierung von Fluid‑Chip‑Designs. Im Gegensatz zu bisherigen neuronalen Physiklösungen, die auf Retrieval oder Emulation innerhalb eines vorgegebenen Raums beschränkt sind, ermöglicht NOVA zuverlässige Extrapolation über bekannte Regime hinaus – ein entscheidender Fortschritt für die Erkundung neuer Hypothesenräume in der wissenschaftlichen Forschung.