Die Modellierung nichtlinearer dynamischer Systeme mit neuronalen Netzen ist zwar leistungsstark, doch rein datengetriebene Ansätze haben oft Schwierigkeiten mit Extrapolation, physikalischer Konsistenz und Stabilität.

Wir stellen stabile Port-Hamiltonsche neuronale Netze vor, eine physikbasierte Architektur, die Energieerhaltung, Dissipation und globale Lyapunov-Stabilität direkt in den Lernprozess integriert. Dies führt zu:

• Robuster, stabiler Dynamik, gelernt aus spärlichen Daten
• Physikalisch sinnvoller Generalisierung
• Starker Performance in realen Multi-Physik-Simulationen

Herzlichen Glückwunsch und vielen Dank an Fabian Roth, Dominik Klein, Maximilian Kannapinn und Jan Peters für ihre großartige Arbeit und die hervorragende Zusammenarbeit!

Erfahren Sie mehr über unsere Arbeit auf der NeurIPS 2025 in der Posterpräsentation am Donnerstag, den 4. Dezember um 16:30 Uhr in Halle C, D, E – Nr. 2315.

Siehe auch den Artikel, die Folien und das Poster unter https://neurips.cc/virtual/2025/loc/san-diego/poster/116885 oder https://arxiv.org/abs/2502.02480v2