MPI Kolloquiumsreihe | Prof. Olga Fink, EPFL

The Max Planck Institute Magdeburg invites you to its series of colloquia.
Top-class scientists, from notable German and worldwide research institutions, give a survey of their research work.

Everybody who is interested, is invited to attend.

Abstract

Accurate and interpretable modeling of multi-body dynamical systems is a fundamental challenge in domains ranging from robotics and aerospace to biophysics and materials science. Traditional physics-based approaches are often computationally expensive and difficult to scale, while purely data-driven methods like graph neural networks (GNNs) may lack physical consistency and generalization. This talk presents Dynami-CAL GraphNet, a new physics-informed GNN framework that explicitly integrates conservation laws, specifically, the pairwise conservation of linear and angular momentum, into its architecture. By leveraging edge-local reference frames that are equivariant to rotations and translations, our model produces physically consistent predictions and offers interpretable insights into the forces and moments governing each interaction.

We demonstrate the effectiveness of Dynami-CAL GraphNet across a wide spectrum of tasks. Beyond standard 3D granular systems with inelastic collisions, we systematically evaluated the model on complex, real-world datasets, including human body motion prediction and protein molecular dynamics simulations. In all cases, Dynami-CAL GraphNet was benchmarked against several established baseline methods. Our results show not only stable error accumulation over extended prediction horizons and superior maintenance of physical constraints, but also a strong ability to extrapolate to previously unseen system configurations and interaction regimes, a key capability for robust deployment in real-world scenarios.

This talk will highlight how embedding physical principles within machine learning architectures enables not only accuracy and interpretability, but also robust extrapolation to previously unseen scenarios, opening new avenues for real-time, scalable, and generalizable modeling of complex systems in science and engineering.

Link to the paper: https://www.nature.com/articles/s41467-025-67802-5

Über den Sprecher (Personal website)

Olga Fink ist seit März 2022 Assistenzprofessorin an der EPFL und leitet dort das Labor für intelligente Wartungs- und Betriebssysteme (IMOS). Sie ist Empfängerin eines ERC Consolidator Grant. Olgas Forschungsschwerpunkte liegen auf physikgestütztem maschinellem Lernen, multimodalem Lernen, Domänenanpassung und Generalisierung sowie auf verstärkendem Lernen für die intelligente Wartung und den Betrieb von Infrastruktur und komplexen Anlagen.

Bevor sie zur EPFL kam, war Olga von 2018 bis 2022 Assistenzprofessorin für intelligente Instandhaltungssysteme an der ETH Zürich und erhielt den renommierten Professorenstipendien des Schweizerischen Nationalfonds (SNF). Zwischen 2014 und 2018 leitete sie die Forschungsgruppe „Smart Maintenance“ an der Zürcher Hochschule für Angewandte Wissenschaften (ZHAW).

Olga promovierte an der ETH Zürich und erwarb ihr Diplom an der Technischen Universität Hamburg. Sie sammelte wertvolle Industrieerfahrung als Zuverlässigkeitsingenieurin bei der Stadler Bussnang AG und als Expertin für Zuverlässigkeit und Instandhaltung bei Pöyry Switzerland Ltd.
Olga ist Mitglied des Redaktionsbeirats mehrerer renommierter Fachzeitschriften, darunter „Mechanical Systems and Signal Processing“, „Engineering Applications of Artificial Intelligence“ und „Reliability Engineering and System Safety“.

Im Jahr 2019 wurde Olga als junge Wissenschaftlerin des Weltwirtschaftsforums ausgezeichnet. In den Jahren 2020, 2021 und 2024 wurde sie als junge Wissenschaftlerin des World Laureate Forum geehrt. Im Jahr 2023 wurde sie von der Prognostics and Health Management Society als Fellow ausgezeichnet.