Muskel-Skelett-Modelle ermöglichen die Bestimmung interner Kräfte während dynamischer Bewegungen, was klinisch nützlich ist, doch traditionelle Methoden leiden unter geringer Geschwindigkeit und hohem Aufwand an Eingabedaten. In jüngster Zeit besteht zunehmendes Interesse an der Anwendung überwachter Lernverfahren zur Erstellung annähernder Modelle für rechenintensive Prozesse, wodurch Vorteile in Bezug auf Geschwindigkeit und Flexibilität erzielt werden können. Hier verwenden wir ein tiefes neuronales Netzwerk, um die Abbildung vom Bewegungsraum in den Muskelraum zu lernen. Auf einer Datenmenge aus kinematischen, kinetischen und elektromyographischen Messungen von 156 Probanden während des Gehens trainiert, zeigen die Vorhersagen des Netzwerks für die Größen interner Kräfte eine gute Übereinstimmung mit den Werten, die durch muskel-skelett-basierte Modellierung abgeleitet wurden. In einer separaten Experimentierreihe erzeugt die Schulung auf Daten aus den bekanntesten Benchmarks zur Modellierungsleistung, den internationalen Grand-Challenge-Wettbewerben, Vorhersagen, die in vier von sechs Wettbewerben die Ergebnisse der Gewinnerbeiträge übertreffen. Die erzielte Beschleunigung der Berechnung ermöglicht die Integration in ein laborbasiertes System zur Echtzeit-Schätzung von Kräften, und die Analyse der trainierten neuronalen Netze liefert neue Einsichten in populationsspezifische Zusammenhänge zwischen kinematischen und kinetischen Faktoren.