NestyNet. I. Physics Functions Are Hard to Fit with Neural Networks: A Framework for Accurate Surrogates and Analytic Derivatives

Stellen Sie sich vor, Sie versuchen, einem Roboter beizubringen, das Wetter vorherzusagen. Sie geben ihm eine Million Datenpunkte über Temperatur, Wind und Luftdruck. Standard-KI-Werkzeuge, wie sie verwendet werden, um lustige Katzenbilder zu generieren oder Gedichte zu schreiben, sind hervorragend darin, Muster in unordentlichen Daten zu finden. Sie sind wie ein sehr talentierter Künstler, der allein durch den Blick auf ein paar Fotos eine ziemlich gute Skizze eines Sturms anfertigen kann. Aber in der Physik reicht „ziemlich gut“ nicht aus. Wenn Sie vorhersagen wollen, wie sich ein Stern bewegt oder wie stabil eine Brücke hält, müssen Sie nicht nur wissen, wo sich das Objekt befindet; Sie müssen genau wissen, wie schnell es beschleunigt, wie die Kräfte es verdrehen und wie die Energie fließt.

Hier beginnt das Problem. Physikalische Gleichungen sind oft wie eine zerklüftete Gebirgslandschaft mit tiefen, schmalen Tälern. Standard-KI-Werkzeuge versuchen, diese Berge zu erklimmen, indem sie kleine, zufällige Schritte machen. Sie kommen vielleicht nah an den Boden eines Tals heran, aber sie bleiben oft an den steilen Seiten hängen oder verpassen den eigentlichen Tiefpunkt komplett. Wenn sie nah genug herankommen, sind ihre Schätzungen über die „Steigung“ (wie schnell sich Dinge ändern) meist falsch. Es ist, als würde man versuchen, ein Auto auf einer steilen, kurvigen Straße zu fahren, während man eine Blindflugbrille trägt, die nur die Straße direkt vor einem zeigt, aber nicht die Kurven. Man bleibt zwar auf der Straße, aber man kracht in dem Moment, in dem man scharf abbiegen muss. Wissenschaftler brauchen eine Möglichkeit, diese tückischen mathematischen Landschaften mit perfekter Präzision zu navigieren, nicht nur eine grobe Skizze.

Dies ist das Problem, das ein neues Framework namens NestyNet angeht, das von Rodrigo Ibata und seinem Team vorgestellt wurde. Sie erkannten, dass das Problem nicht darin bestand, dass die KI nicht klug genug war, sondern dass die „Karte“, die sie benutzte, zu wackelig war. Um dies zu beheben, entwickelten sie eine neue Art von KI, die nicht einfach nur die Antwort rät, sondern eine mathematische Struktur aufbaut, die garantiert glatt und leicht messbar ist.

Stellen Sie sich die Standard-KI wie ein riesiges, flexibles Netz aus Gummibändern vor. Sie ziehen das Netz, um es an die Daten anzupassen, aber die Gummibänder dehnen und verdrehen sich auf unvorhersehbare Weise, was es schwierig macht, genau zu bestimmen, wie sich das Netz krümmt. NestyNet hingegen ist wie der Bau einer Wand aus glatten, ineinandergreifenden Lego-Steinen. Jeder Stein ist eine einfache, vorhersehbare Kurve. Wenn man sie zu einer Wand stapelt, bleibt die gesamte Wand zwar glatt, aber da man genau weiß, wie jeder einzelne Stein geformt ist, kann man die Steigung, die Krümmung und sogar die Fläche unter der Wand sofort berechnen, ohne komplizierte Mathematik betreiben zu müssen.

Das Team testete diesen „Lego-Wand“-Ansatz an 120 berühmten physikalischen Gleichungen, die von einfacher Mechanik bis hin zu komplexen Quantenproblemen reichen. Die Ergebnisse waren atemberaubend. Im Vergleich zur Standard-„Gummiband“-KI war NestyNet nicht nur ein wenig besser; es war ein gewaltiger Sprung nach vorn. Bei den Basiskennwerten war es etwa 2.100 Mal genauer. Für die ersten Ableitungen (die Steigungen) war es 1.400 Mal genauer. Und für die zweiten Ableitungen (wie sich die Steigungen ändern) war es 780 Mal genauer. Selbst wenn sie versuchten, die Antworten der Standard-KI mit zusätzlichen mathematischen Tricks zu verfeinern, übertraf NestyNet sie immer noch um das Hundertfache.

Aber die Magie endete nicht bei der Genauigkeit. Da NestyNet aus diesen glatten, analytischen Bausteinen besteht, benötigt es nicht die langsamen, schweren Maschinen, die andere KIs verwenden, um Steigungen zu berechnen. Es kann sie instantan berechnen. Tatsächlich war es bei der Berechnung dieser Ableitungen bis zu 44 Mal schneller als die Standardmethoden. Diese Geschwindigkeit und Präzision machen es zu einem perfekten Werkzeug für „Physics-Informed Neural Networks“ (PINNs), bei denen die KI komplexe Gleichungen wie die Wärmegleichung oder die Fluiddynamik in Echtzeit lösen muss.

Die Autoren entdeckten auch ein faszinierendes „Gesetz“ darüber, wie sich diese Fehler verhalten. Sie fanden heraus, dass eine KI die Steigungen fast automatisch richtig berechnet, wenn sie die Datenpunkte gut anpasst und gleichzeitig kontrolliert, wie stark sie sich krümmt. Es ist, als gäbe es eine verborgene Regel in der Mathematik: Wenn man die Form und die Biegung richtig hinbekommt, ist die Geschwindigkeit einfach das geometrische Mittel aus beiden. Dies ermöglicht es Wissenschaftlern, den Vorhersagen der KI über die Geschwindigkeit zu vertrauen, selbst ohne direkte Messungen der Geschwindigkeit zu haben.

Um zu beweisen, dass dies nicht nur ein Spiel mit erfundenen Zahlen war, nutzte das Team NestyNet, um ein reales astrophysikalisches Rätsel zu lösen: die Messung der vertikalen Beschleunigung von Sternen in unserer Milchstraße. Durch das Anpassen der Positionen und Geschwindigkeiten von Millionen von Sternen war NestyNet in der Lage, die unsichtbaren Gravitationskräfte, die auf sie wirken, mit hoher Präzision zu berechnen. Dies ist eine Aufgabe, die Astronomen seit einem Jahrhundert vor Herausforderungen stellt, und NestyNet bewältigte sie, indem es einen verrauschten, unordentlichen Datensatz in eine saubere, zuverlässige physikalische Messung verwandelte.

Kurz gesagt: NestyNet ist ein neues Toolkit für Wissenschaftler, die brauchen, dass ihre KI nicht nur ein Mustererkennungswerkzeug, sondern ein präziser Rechner ist. Es ersetzt die wackeligen Gummibänder der Standard-KI durch glatte, vorhersehbare Lego-Steine und ermöglicht es Forschern, die schwierigsten, „steifsten“ Probleme der Physik mit beispielloser Genauigkeit und Geschwindigkeit zu lösen. Es zeigt, dass es beim Umgang mit schwieriger Mathematik manchmal nicht darum geht, die KI größer zu machen, sondern ihre Bausteine intelligenter zu gestalten.