Nov, 2020

基于物理学与数据驱动建模的动态系统学习方法

PDF
TL;DR本研究提出了一种基于自动微分的物理模型学习方法 AutoODE，该方法能够有效解决在 COVID-19 等动态系统中由于数据分布发生改变导致机器学习模型性能下降的问题，实验结果表明，AutoODE 相比于基于深度学习的竞争对手，能够将预测误差减少 57.4%。
dynamical systemcovid-19autoodephysics-based modelsgeneralization problem
发现论文，激发创造
  • 从部分观测中学习动态系统

    本文研究使用数据驱动框架和神经网络来预测复杂的非线性时空过程，并表现出显著的改进。

    Feb, 2019

  • 物理引导的深度学习用于动力系统：一份调查

    本文概述了将先验物理知识或基于物理建模方法与深度学习相结合的现有方法，并重点讨论了在学习动力系统方面所面对的基本挑战和新兴机遇。

    Jul, 2021

  • 通过黑盒知识蒸馏的深度流行病学建模：COVID-19 的准确深度学习模型

    本文介绍了一种基于深度学习的黑盒知识蒸馏方法，用于对疾病传播进行准确和高效的预测，通过案例分析证明了该方法在有限观测数据条件下可以准确预测感染病例，具有较低的计算成本。

    Jan, 2021

  • COVID-19 病例自适应预测的数据驱动方法研究

    通过数据驱动的方法和增量学习，该研究针对 SARS-CoV-2 等疫情的不确定性，成功解决了病毒爆发期间的准确预测问题。

    Sep, 2023

  • 多层次区域 COVID-19 动态流行病学建模与预测

    该论文提出了一种结合流行病学方程和深度学习的方法来模拟 COVID-19 疾病传播情况，结果表明，这种方法在五个国家和地区具有良好的预测能力和可视化表现。

    Jun, 2023

  • 无遗忘学习系统动力学

    通过连续学习模式切换图 ODE（MS-GODE）的新框架，能够持续学习不同动态的系统，并将系统特定的动态编码为模型参数上的二进制掩码，从而根据观测数据选择最可信的掩码，识别系统并相应地预测未来轨迹。

    Jun, 2024

  • CoDBench：对连续动力系统的数据驱动模型进行的关键评估

    连续动力系统建模方法研究了数据驱动模型在解决微分方程方面的表现，通过 CodBench 进行了四类不同模型的全面评估并揭示了神经算子对新型力学数据集的困难，为建模动力系统的加速进展和探索提供了动力学研究资源。

    Oct, 2023

  • 使用机械和统计时间序列模型进行 COVID-19 发病率的短期概率预测比较

    本研究比较了基于更新方程的机械模型和统计时间序列模型的短期概率预测，发现统计时间序列模型整体上至少与机械模型预测同样准确，并且更好地捕捉波动性，表明机械模型中融入的领域知识并不能提高疾病发病率的短期预测能力。

    May, 2023

  • 深度隐式物理模型：非线性偏微分方程的深度学习

    本文提出了一种基于深度学习的方法，可以从散乱的、有可能带有噪声的时空数据中，发现非线性偏微分方程，该方法通过两个深度神经网络来近似未知解和非线性动力学，并测试了其在多个科学领域的效果。

    Jan, 2018

  • 利用物理约束深度自回归网络模拟 PDE 系统动态

    本文提出了一种基于物理约束的深度学习模型，通过自动回归密集编码器 - 解码器卷积神经网络建模非线性动力学系统，实现对时间步骤的预测量进行不确定性量化，并利用其在多个非线性瞬态偏微分方程系统上进行测试。

    Jun, 2019