Foutopsporing voor hybride natuurkundige AI-modellen

Wetenschappers hebben een nieuwe techniek gepresenteerd om onvolkomenheden op te sporen in wiskundige modellen die natuurkundige wetten combineren met kunstmatige intelligentie. Dergelijke hybride systemen maken gebruik van partiële differentiaalvergelijkingen om processen in de fysieke werkelijkheid te beschrijven en te voorspellen. Tot voor kort was het lastig om te bepalen waar een simulatie precies afwijkt van de werkelijkheid, omdat hiervoor doorgaans vergelijkingsmateriaal nodig is. De nieuwe aanpak maakt het echter mogelijk om fouten te identificeren in afwezigheid van dergelijke referentiegegevens.

Onderscheid tussen structuur en parameters

Binnen natuurkundige simulaties lopen onderzoekers geregeld tegen twee hoofdproblemen aan: het model zelf kan fundamenteel onvolledig zijn, of de invulwaarden binnen het model kloppen niet. De ontwikkelde methode slaagt erin om deze twee categorieën nauwkeurig van elkaar te scheiden. Hierdoor wordt direct helder of de structuur van de vergelijking aanpassing behoeft, of dat het gaat om variabelen die scherper moeten worden afgesteld.

Het gebruik van kunstmatige intelligentie in combinatie met traditionele natuurkunde groeit gestaag in verschillende wetenschappelijke en technische sectoren. Modellen die processen als vloeistofdynamica of weersomstandigheden berekenen, worden complexer naarmate de rekencapaciteit toeneemt. Betere controlemiddelen zijn noodzakelijk om de betrouwbaarheid van dit soort simulaties te waarborgen, met name wanneer ze worden ingezet in situaties waar weinig meetdata voorhanden is.