KI und die schwierigen Probleme der Welt · Theoretische Informatik · arXiv · 2026-10-20
Fehlspezifikation von Parametern in physikinformierten neuronalen Netzen: Eine geschlossene Prüfung und ihre Grenzen
Originaltitel: Parameter misspecification in physics-informed neural networks: A closed-form audit and its limits
Physikinformierte neuronale Netze werden darauf trainiert, das Residuum einer Gleichung zu minimieren, sodass ein niedriger Verlust einen falsch spezifizierten Koeffizienten nicht offenbart. Die Studie schätzt den Koeffizienten per Methode der kleinsten Quadrate aus einer einzigen Auswertung des trainierten Netzes, und die Genauigkeit dieser Schätzung ist an ein normiertes Residuum gekoppelt. Bei der Burgers-Gleichung markierte ein Bootstrap-basierter Test 3 von 300 korrekt spezifizierten Netzen. Wenn der falsche Parameter auch in die Netzarchitektur einging, wurden Fehler von bis zu 2 % bei der erreichten Präzision nicht erkannt.