介绍一种新的基于最小残差的方法，通过在时间连续和时间离散水平上使用非线性流形将动力系统投影到上，即流形 Galerkin 投影和流形 Petrov-Galerkin 投影，并提出了一个计算非线性流形的可行方法，该方法基于深度学习中的卷积自编码器。最后，演示了这种方法在反向控制问题上的比优对比结果。

Dec, 2018

通过纯数据驱动的工作流程，构建了一套用于分布式动力系统的简化模型（ROMs）；所采用的 ROMs 是由近似惯性流形（AIMs）理论启发，并以此为模板；应用机器学习工具可以避免需要准确的截断 Galerkin 投影和推导闭合修正的需求；并探讨了通过自动编码器和扩散映射这类流形学习技术发现合适的潜在变量集并进行可解释性测试的方法；该方法可以用理论的（Fourier 系数）、线性数据驱动的（POD 模态）和 / 或非线性数据驱动的（扩散映射）坐标表示 ROMs；同时描述了黑盒模型和（基于理论和数据纠正的）灰盒模型；灰盒模型是在截断 Galerkin 投影无法后处理的情况下必要的；文章使用 Chafee-Infante 反应扩散和 Kuramoto-Sivashinsky 耗散偏微分方程来举例并成功测试了整个框架。

Oct, 2023

通过运用运算符学习方法构建 AM 模型的快速准确的降阶模型，以提高 AM 控制和优化过程的时间 / 成本，同时保持评估准确性。

Aug, 2023

深度学习在设计偏微分方程的降阶模型（ROMs）方面产生了显著影响，特别是在处理复杂问题以及基于随机领域参数化的随机问题中，深度自动编码器作为一种灵活工具提供了降低问题维数的手段，该研究通过理论分析为深度学习基于 ROMs 在随机领域参数化问题中的应用提供了一些实用的指导方法，这对于领域专家在选择深度自动编码器的潜在维度时具有重要意义，并通过数值实验证明了理论分析对于 DL-ROMs 性能的重大影响。

Oct, 2023

最近开发的降阶建模技术旨在从数据中学习的低维流形上近似非线性动力系统。我们介绍了一种由约束的自动编码器神经网络描述的参数化非线性投影类，其中流形和投影纤维都是从数据中学习得到的。此外，我们还提出了一些新的动力学感知成本函数，以促进学习考虑快速动力学和非正常性的斜投影纤维。为了展示这些方法及其解决的特定挑战，我们提供了一个关于涡街现象的三状态模型的详细案例研究。同时，我们还提出了几种基于我们提出的非线性投影框架构建计算高效的降阶模型的技术。这包括一种用于避免计算 Grassmann 流形上有害的权重矩阵收缩的新型稀疏促进惩罚项的编码器。

Jul, 2023

该论文提出了 GAROM，一种基于生成对抗网络（GAN）的简化模型方法，该方法将 GAN 和 ROM 框架相结合，通过引入数据驱动的生成对抗模型来学习参数微分方程的解决方案，并提供了关于其推理，模型泛化和方法的收敛性研究的实验证据。

May, 2023

传统的偏微分方程求解器计算成本较高，这促使了更快速方法（如减小的秩模型）的开发。我们提出了 GPLaSDI，一种混合深度学习和贝叶斯减小的秩模型。GPLaSDI 在完全秩模型数据上训练自编码器，并同时学习控制潜在空间的简化方程。这些方程与高斯过程插值，即使用有限的 FOM 求解器访问，也能进行不确定性量化和主动学习。我们的框架能够在流体力学问题上实现高达 100,000 倍的加速和少于 7% 的相对误差。

Dec, 2023

提出了一种物理信息驱动的机器学习方法，用于近似奇异干扰系统的慢不变流形，并提供了简单的功能形式，以促进简化模型的构建和数值积分。通过三个基准问题的评估，证明了该方法的效率和准确性优于传统的基于 Geometric Singular Perturbation Theory 的方法，并且对扰动参数的大小没有影响。

Sep, 2023

本研究提出一种基于深度学习的非线性模型降维策略，通过深度卷积自编码器和 LSTM 网络构建模块化模型，实现繁重计算任务中的模型降维，同时保持计算效率和系统稳定性。

Aug, 2018

我们提出了一种将最优输运论和基于神经网络的方法集成到新颖的减小阶模型框架中的方法，通过使用 Wasserstein 距离作为自定义核函数的核 POD 方法，并利用 Sinkhorn 算法高效训练得到的神经网络，可以捕捉数据的几何结构，从而实现精确学习降维解流形。与传统指标（如均方误差或交叉熵）相比，利用 Sinkhorn 散度作为损失函数可以增强训练的稳定性，对抗过拟合和噪声并加速收敛。通过在具有 Kolmogorov n-width 缓慢衰减特性的一系列具有挑战性的测试案例上进行实验，结果表明我们的框架在准确性和计算效率方面优于传统的减小阶模型方法。

Aug, 2023