Vom Tabellen- zum Graphenansatz in physik-informierter raum-zeitlicher symbolischer Regression

Computern beibringen, verborgene Regeln der Natur zu entdecken

Ein Großteil der Wissenschaft besteht darin, einfache Regeln zu finden, die erklären, wie sich die Welt im Laufe der Zeit verändert — vom schwingenden Pendel bis zur Wärmeausbreitung in einem Metallstab. Dieser Artikel untersucht einen neuen Weg, Computern dabei zu helfen, solche Regeln direkt aus Daten wiederzuentdecken, indem sie nicht nur die Zahlen selbst, sondern auch den Ort und die Zeit der Messung berücksichtigen. Die Arbeit zeigt, wie die Kombination zweier Datenansichten — die traditionelle Tabellenansicht und eine Netzwerkansicht — die automatische Entdeckung von Gleichungen genauer, rauschrobuster und stärker an realer Physik orientiert machen kann.

Von Zahlen-Tabellen zu Verbindungsnetzen

Die meisten aktuellen Werkzeuge zur automatischen Gleichungsentdeckung behandeln Daten als einfache Tabelle, in der jede Zeile eine unabhängige Messung ist. Diese Struktur funktioniert bei einfachen Problemen, gerät aber bei realen physikalischen Systemen an ihre Grenzen, die sich sowohl räumlich als auch zeitlich entwickeln. Eine Temperaturmessung an einem Punkt hängt von ihren Nachbarn und von dem ab, was einen Moment vorher geschah. Das Ignorieren dieser Verbindungen kann dazu führen, dass Computer Formeln liefern, die die Daten zwar beschreiben, aber das tatsächliche zugrunde liegende Gesetz verfehlen. Die Autor:innen argumentieren, dass wir, um die Funktionsweise der Natur zu respektieren, eine Darstellung benötigen, die festhält, welche Messungen räumlich und zeitlich Nachbarn sind — und nicht nur deren rohe Werte.

Messwerte in ein Raum‑Zeit‑Netz verwandeln

Um dem abzuhelfen, führt die Studie eine doppelte Datenrepräsentation ein. Die erste Ansicht ist die vertraute Tabelle mit Zahlen. Die zweite Ansicht ist ein Graph, ein Netzwerk, dessen Knoten Messungen an bestimmten Orten und Zeitpunkten entsprechen, während Kanten Messwerte verbinden, die räumlich oder zeitlich nahe beieinander liegen. Dieser Graph fungiert als Karte lokaler Ursache und Wirkung: Unterschiede entlang räumlicher Kanten spiegeln räumliche Änderungen wider, und Unterschiede entlang zeitlicher Kanten ähneln Änderungsraten über die Zeit. Ein graphbasiertes neuronales Netz verarbeitet dann diese Struktur, um komprimierte, physikbewusste Merkmale zu lernen, die glatte, konsistente Muster hervorheben und zufälliges Rauschen abschwächen.

Gleichungsfinder dazu bringen, auf die Physik zu hören

Sobald diese gelernten Merkmale vorliegen, werden sie in Werkzeuge der symbolischen Regression eingespeist, die nach menschenlesbaren Gleichungen suchen, die die Daten beschreiben. Die Schlüsselinnovation ist ein neues Trainingsziel, das Kandidatengleichungen auf zwei Arten gleichzeitig bewertet. Erstens wird geprüft, wie gut simulierte Daten eines Kandidaten mit den ursprünglichen Messungen übereinstimmen. Zweitens wird geprüft, ob die simulierten Daten, nachdem sie durch das graphneuronale Netz gelaufen sind, im selben „latenten“ Raum landen wie die realen Daten. Diese zweite Prüfung zwingt die gefundenen Gleichungen dazu, die durch den Graphen erfassten räumlichen und zeitlichen Beziehungen zu respektieren, und lenkt die Suche weg von Formeln, die zwar die Zahlen anpassen, aber bekannte physikalische Strukturen verletzen.

Die Methode auf die Probe gestellt

Um zu prüfen, wie gut diese Idee funktioniert, erzeugten die Autor:innen synthetische Daten aus zehn klassischen Gleichungen der Physik und Technik, darunter Gesetze für Federn, Wärmeleitung, strömungsähnliche Bewegungen und Systeme mit verzögerten Reaktionen. In jedem Fall fügten sie zusätzliche ablenkende Signale und kontrollierte Rauschmengen hinzu und führten dann zehn verschiedene Gleichungsfindungsmethoden jeweils mit und ohne die neue graphbasierte Repräsentation aus. Über alle Fälle hinweg führte die Nutzung der doppelten Ansicht zu moderaten, aber konsistenten Verbesserungen in der Genauigkeit, einer besseren Wiedergewinnung der korrekten symbolischen Form und einer engeren Einhaltung physikalischer Zwänge. Die Vorteile waren am deutlichsten, wenn die Daten verrauscht oder knapp waren — Bedingungen, die in realen Experimenten häufig auftreten.

Folgen für künftige wissenschaftliche Entdeckungen

Kurz gesagt zeigt der Artikel, dass es Computern hilft, nicht nur die Zahlen, sondern auch eine Skizze davon zu geben, wie diese Zahlen räumlich und zeitlich zueinander stehen; so können sie die richtigen Gleichungen zuverlässiger erraten. Indem eine Netzwerkansicht in ansonsten standardmäßige Werkzeuge der Gleichungsentdeckung eingewebt wird, erhöht die Methode die Robustheit, ohne das Innenleben dieser Werkzeuge zu verändern. Obwohl die Tests hier mit sorgfältig kontrollierten simulierten Daten durchgeführt wurden, deutet der Ansatz auf einen praktikablen Weg hin, aus begrenzten Messungen vertrauenswürdigere, physikalisch konsistente Modelle zu gewinnen und damit die automatisierte Gleichungsentdeckung einen Schritt näher an den Alltag in Laboren und der Ingenieurpraxis zu bringen.

Zitation: Lazebnik, T., Liberzon, A. Moving from table to graph in physics-informed spatio-temporal symbolic regression. Sci Rep 16, 16016 (2026). https://doi.org/10.1038/s41598-026-53882-w

Schlüsselwörter: symbolische Regression, graphneuronale Netze, raum-zeitliche Daten, Gleichungsentdeckung, physik-informiertes Lernen