Stell dir vor, du könntest scharfe Übergänge in der Natur genau berechnen. Forschende haben eine Methode entwickelt, die das möglich macht.
Hast du schon mal von Grenzschichten gehört? Das sind Bereiche, in denen sich etwas sehr schnell ändert. Zum Beispiel, wenn du einen Luftballon aufbläst und die Luft an der Oberfläche des Ballons ganz anders ist als in der Mitte. Forschende haben eine neue Methode entwickelt, um solche Grenzschichten genau zu berechnen. Sie nennen es MAE-TransNet.
Was die Forschenden herausgefunden haben
Die Forschenden haben herausgefunden, dass ihr neues Verfahren, MAE-TransNet, sehr genau und schnell ist. Es kann scharfe Übergänge in verschiedenen Dimensionen berechnen, also nicht nur in einer Linie, sondern auch in Flächen und sogar im Raum. Das bedeutet, dass sie auch komplizierte Probleme lösen können, wie zum Beispiel Luftströmungen oder Wasserturbinen. MAE-TransNet kann sogar Probleme lösen, bei denen es keine passende Theorie gibt.
Wie haben sie das gemacht?
Die Forschenden haben ein spezielles neuronales Netzwerk entwickelt. Das ist so etwas wie ein Computerprogramm, das lernen kann. Sie haben zwei Schichten in diesem Netzwerk, eine für die inneren und eine für die äußeren Bereiche der Grenzschicht. Diese Schichten sind so trainiert, dass sie die Übergänge genau berechnen können. Dann kombinieren sie die beiden Bereiche mit einem speziellen Matching-Term, um eine genaue Lösung zu erhalten. Das Besondere ist, dass sie die scharfen Übergänge so berechnen können, dass sie auch für verschiedene Dicken der Grenzschicht passen.
Warum ist das wichtig?
Diese Methode ist wichtig, weil sie hilft, komplexe Probleme in der Natur und Technik besser zu verstehen. Zum Beispiel können Ingenieurinnen und Ingenieure damit besser verstehen, wie Luft um Flugzeuge strömt oder wie Wasser in Turbinen fließt. Das kann helfen, Flugzeuge effizienter zu machen oder Turbinen zu verbessern. Auch in der Wissenschaft kann diese Methode helfen, neue Theorien zu entwickeln.
Du willst mehr über die Studie wissen?
Die Forschenden, die diese Methode entwickelt haben, heißen Zhequan Shen, Lili Ju und Liyong Zhu. Sie haben ihre Ergebnisse in einem wissenschaftlichen Artikel veröffentlicht. Die Quelle ist: Zhequan Shen, Lili Ju, Liyong Zhu. „Matched Asymptotic Expansions-Based Transferable Neural Networks for Singular Perturbation Problems“. Veröffentlicht am 13. Mai 2025.