En ny undersøgelse fra arXiv udfordrer en udbredt antagelse i AI-forskningen: at flere forbedringer altid er bedre. Forskere testede systematisk en lang række teknikker til at træne fysik-informerede neurale netværk (PINNs) på et standard benchmark for ustabil væskedynamik – den såkaldte DFG/Schafer-Turek cylinder wake-benchmark. Resultatet er overraskende: næsten alle teknikker virker dårligere end en ubehandlet baseline, når de bruges alene. Kun en kombination af to specifikke metoder – periodiske aktiveringsfunktioner (SIREN) og kausal vægtning – åbnede et hidtil utilgængeligt regime og rekonstruerede hastigheds- og trykfelter med en gennemsnitlig relativ L2-fejl på 4,1% sammenlignet med en OpenFOAM-reference. Tilføjes yderligere teknikker, forringes ydeevnen katastrofalt.
For beslutningstagere, der overvejer at investere i eller bygge på PINN-baserede løsninger, er implikationen klar: komplekse træningsopskrifter er ikke nødvendigvis bedre. Faktisk kan de være direkte skadelige. Forskningen understreger, at interaktionseffekter mellem teknikker er ikke-lineære, og at mere elaborate opskrifter ikke er en garanti for succes. Det betyder, at man bør være skeptisk over for leverandører, der markedsfører stadig mere komplekse PINN-løsninger, og i stedet fokusere på validerede, simple kombinationer.
