Ein arXiv-Paper vom Mai 2026 berichtet von einem physics-informed neural network (PINN), das die Form eines 6-Freiheitsgrad-Roboters mit konzentrischen Röhren — drei vorgekrümmte Röhren ineinander — auf unter 1% der Roboterlänge rekonstruiert, trainiert mit wenigen Messungen. Das Modell bettet die Cosserat-Stab-Differentialgleichungen direkt in die Verlustfunktion ein und lernt das Residuum. Es übertrifft eine reine physik-basierte Cosserat-Baseline. Es läuft schnell genug für Echtzeit-Regelung.

Das ist die Oberfläche. Der interessante Teil ist die Topologie.

←TODAY: Ein 2026-arXiv-Preprint erreicht unter 1% Formfehler bei einem 6-DoF-Roboter mit konzentrischen Röhren durch Few-Shot-Training, indem die Cosserat-Stab-ODEs in die Netzwerk-Verlustfunktion eingebettet werden.
→3012: Jeder Site-Roboter in Zürich-3012 nutzt physik-informierte Regelung auf Open-Source-Python-Kinematik-Bibliotheken; der proprietäre Controller ist ein Memory der 2030er.
Fulcrum: Das Abhängigkeitsgraph von Differentialgleichung bis zum Chip ist die echte Baustellen-Architektur — beide, die Gleichung und die GPU, zählen.

System: Was ein PINN eigentlich ist, in zwei Sätzen

Ein Standard-Neuronales Netzwerk lernt jede beliebige Abbildung, die die Daten verlangen. Ein physics-informed neural network lernt die gleiche Abbildung, aber seine Verlustfunktion trägt einen zusätzlichen Term: das Residuum einer bekannten Differentialgleichung, bewertet an Stichprobenpunkten entlang der Netzwerk-Ausgabe. Die Cosserat-Stab-Gleichungen beschreiben, wie ein schlankes Kontinuum sich unter Last biegt und dreht. Bettest du sie ein, kann das Netzwerk nicht in Lösungen abdriften, die die Gleichungen verbieten — selbst wenn Daten spärlich sind.

Drei Konsequenzen folgen: Few-Shot-Training funktioniert (Physik ist der Prior), Formschätzung wird umsonst wiederhergestellt (der Stab ist kontinuierlich, nicht eine dünne Gelenkkette), und das Modell bleibt interpretierbar, um einen Fehler zurück auf ein Datenloch oder eine numerische Instabilität zu führen. Das Muster ist der gleiche Instinkt, den AlphaFold für Proteine populär machte, und der gleiche Instinkt, den PAZ’s Konzept-Panel über Attention für FEM-Gitter und LiDAR-Scans skizzierte: Wirf nicht die Physik weg, die du schon kennst.

Street: Warum ein Chirurgierotboter-Paper auf einem AEC-Tisch landet

Roboter mit konzentrischen Röhren gehören zur Medizin. Sie schlängeln sich in den Körper. Für AEC ist die Geometrie egal — bis du das Abhängigkeitsgraph siehst. Der Stack des Papers ist arXiv-Preprint → Python → PyTorch → CUDA → eine NVIDIA-Generation. Ersetze «menschlicher Körper» mit «vorgespannter Betonkanal» oder «DfMA-Holzkassette innen» und die Mathe ändert sich nicht; der Roboter ist nur ein langes, dünnes Kontinuum bei Inspektions- oder Installationsarbeit.

Hier spielt der Open-Source-Python-Robotik-Stack eine Rolle. COMPAS-Robots, gepflegt in der ETH-Block-RG-Tradition des COMPAS-Frameworks, ist eine Python-first-Kinematik-Bibliothek. Sie versteht URDF, exportiert nach Grasshopper, läuft ohne proprietären SDK. Derzeit ist die Cosserat-Rod nicht enthalten. Das arXiv-Paper sagt, dass das möglich wäre.

Atelier: PAZ hat die Block-RG-Tradition schon abgedeckt — die gleiche Gruppe, die 2018 Robotic Extrusion of Architectural Structures with Nonstandard Topology publizierte, die kanonische Referenz für nicht-standardisierte Roboterfertigung. Der Instinkt ist identisch: bekannte Mechanik zuerst, Daten danach. Ein PAZ-internes Tool, das das Cosserat-Residuum in eine COMPAS-Robots-URDF einwickelt, würde einer Atelier-Gruppe ermöglichen, einen Inspektions-Arm in einer Schulwoche auf einem Laptop zu prototypisieren, ohne einen KUKA-Lizenzserver.

Hack: Dieser Hack zeigt dir, wie du eine physics-informed Loss in fünf PyTorch-Zeilen schreibst — das Residuum-Muster, das das PINN-Paper nutzt, aufs Essenzielle heruntergebrochen. Die Domäne ist AI/ML; die Lektion: Die Loss-Funktion ist der Ort, wo du Physik ins Netzwerk schmuggeln kannst.

import torch  # x_phys.requires_grad_(True) before the call
def pinn_loss(model, x, y_obs, x_phys, rhs):
    L_data = ((model(x) - y_obs) ** 2).mean()
    dy = torch.autograd.grad(model(x_phys).sum(), x_phys, create_graph=True)[0]
    L_pde = (dy - rhs(x_phys)).pow(2).mean()
    return L_data + 1e-2 * L_pde   # data fit + physics residual

Diese gewichtete-Summen-Zeile ist der ganze architektonische Schachzug. Implementiere rhs — deine Differentialgleichung — und das Netzwerk lernt aus wenigen Messungen, weil die PDE fast alles andere ausschliesst.

Move: Zeichne dein Abhängigkeitsgraph diese Woche

Ich habe dreizehn Jahre damit verbracht, zu verfolgen, was von was abhängt. Chirurgierobotik wirkt isoliert, bis du das Abhängigkeitsgraph zeichnest: Paper → PyTorch → CUDA → eine Fab in Taiwan. Die AEC-Version ist gleich. Vendor-Controller → Vendor-SDK → Vendor-Cloud → ein Lizenzserver in München. Wenn diese Cloud flackert, stoppt der Roboter den Stahlschnitt. Installiere COMPAS-Robots diese Woche. Lade eine URDF. Zeichne dann dein echtes Abhängigkeitsgraph — nicht die Architektur, das Abhängigkeitsgraph — und finde den dritten Ausfallpunkt, den du nicht kanntest. Das ist der ganze Sinn.

Quellen & weiterführende Lektüre

• Primär: arXiv — Few-Shot Physics-Informed Neural Network für die Formrekonstruktion von Robotern mit konzentrischen Röhren