Neuronalen Netzen die Maxwell-Gleichungen beibringen

Ein internationales Forschungsteam hat eine neue Architektur für maschinelles Lernen entwickelt, FLASH-MAX. Deren Ansatz unterscheidet sich damit von vielen etablierten Verfahren des Scientific Machine Learning: Physikalische Gesetzmäßigkeiten werden nicht erst über zusätzliche Bedingungen während des Trainings berücksichtigt, sondern direkt in die Struktur des neuronalen Netzes eingebaut. Jedes Neuron der versteckten Schicht entspricht dabei selbst einer exakten Lösung der Maxwell-Gleichungen.

In einer Studie erreicht FLASH-MAX mit rund tausend Messpunkten in wenigen Sekunden einen relativen Validierungsfehler von unter einem Prozent. Gleichzeitig bleibt die Lösung mathematisch konsistent mit den Maxwell-Gleichungen. Selbst bei lediglich hundert Messpunkten zeigen die Ergebnisse eine vergleichsweise hohe Genauigkeit.

Vorgestellt wird die Arbeit auf der NeurIPS 2026, einer der weltweit bedeutendsten Konferenzen für Machine Learning und Künstliche Intelligenz. Forschende aus aller Welt präsentieren dort aktuelle Entwicklungen und diskutieren neue Ansätze aus unterschiedlichen Bereichen der KI-Forschung. Das Paper von Dan DeGenaro, Xin Li, Obed Amo, Michael Pokojovy, Sarah Adel Bargal, Markus Lange-Hegermann und Bogdan Raiţă wurde als Spotlight ausgewählt.

Markus Lange-Hegermann

Quelle: TH OWL

Markus Lange-Hegermann, Professor für Mathematik und Datenwissenschaften an der TH OWL, ist über das Paper hinaus in die NeurIPS eingebunden. Als Senior Area Chair im Bereich Scientific Machine Learning koordiniert er in diesem Jahr den Begutachtungsprozess von rund 125 eingereichten Arbeiten. Bereits in den beiden Vorjahren war Lange-Hegermann als Area Chair für die Konferenz tätig.

„Die NeurIPS ist eine der wichtigsten internationalen Konferenzen unserer Forschungscommunity. Dass unsere Arbeit dort angenommen wurde, freut uns deshalb besonders und ist eine starke Bestätigung für unseren Ansatz im Scientific Machine Learning“, sagt Lange-Hegermann. [TH OWL / dre]