SciML in der Praxis: Eine Diagnosestudie, wann strukturelle Priors helfen und wann sie schaden

arXiv:2607.09684v1 Ankündigungstyp: neu Abstract: Scientific Machine Learning (SciML) Methoden wie Neural Ordinary Differential Equations (NODEs), Physics-Informed Neural Networks (PINNs) und Universal Differential Equations (UDEs) sind am wirksamsten, wenn strukturelle Priors zuverlässige Governance widerspiegeln.