Neuronale Differentialgleichungen (Neural Differential Equations) kombinieren neuronale Netze mit Differentialgleichungen, um dynamische Systeme zu modellieren.
Dabei wird die Änderungsrate eines Zustands als Funktion eines neuronalen Netzes modelliert, was insbesondere für kontinuierliche Zeitprozesse nützlich ist.
Ein bekanntes Beispiel sind Neural Ordinary Differential Equations (Neural ODEs), bei denen ein neuronales Netz die Ableitung eines Zustandsvektors definiert und numerisch integriert wird.
Diese Modelle ermöglichen es, flexible, aber physikalisch konsistente Vorhersagen für Zeitreihen, Steuerungsprobleme oder physikalische Simulationen zu erstellen.