应用深度生成模型通过物理学定理来传递极高复杂物理系统中的不确定性。我们构建出一个隐式变分推断公式,并顺利地运用物理学原理作为模型输出的约束条件。这让模型在面对高成本数据采集以及通常小型训练数据集的物理系统建模时具备了一种可扩展的方法来描述随机输入或观测和物理系统输出的不确定性,并以传输动态为规范示例来验证了方法的有效性。
Dec, 2018
本文通过数据驱动的方法,提出了一种基于粒子的模型,使用基于高斯过程的方法来对相互作用的动力学系统进行建模,并利用小型数据集证明了该方法在描述非线性动力学系统方面的有效性。
Nov, 2023
本文介绍了一种基于路径增强和数据驱动控制的方法,可以高效地确定低采样率下系统的确定性力量,以克服现有方法中对观测时间结构或不变密度几何逼近的局限性。
Apr, 2023
这项工作介绍了一种对隐藏物理模型的新型增强方法,可以泛化处理系统输入、参数和领域的变化,并展示了该方法在系统发现方面的潜力,可以帮助学习变化后的系统输入、参数和领域配置的隐藏物理。
Jan, 2024
提出了一个物理感知元学习的框架,该框架利用偏微分方程独立的知识并利用空间模块来适应有限的数据,从而缓解了元学习需要大量真实世界任务的需要,以模拟数据为基础进行元初始化,并在合成和真实世界的时空预测任务中展示了其卓越的性能表现。
Jun, 2020
在多尺度动力学系统中,通过代表性采样长时间尺度的相空间是一项有价值的工作,但也面临挑战。我们展示了基于评分的生成模型可以在这种耦合框架中用于提高多尺度动力学系统的采样效果。
Dec, 2023
采用神经网络参数化的物理描述框架,从分子模拟数据中自动发现连续体模型。该方法在模态空间中对支配物理方程进行参数化,对涉及对称性、各向同性和守恒性的归纳偏差提供结构。通过应用在各种物理问题中展示了该框架的有效性。
Sep, 2020
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
通过减少数据需求并提高数据驱动模型的实际性,我们提出了一种渐进降阶建模框架,通过选择性地从之前的训练模型中转移有价值的知识,从而创建一个具有高准确性的代理模型。我们的研究通过缓解数据稀缺问题,解锁了数据驱动建模在实际工程应用方面的潜力,为各个领域的进步提供了强有力的支持。
Oct, 2023
本研究提出一种利用深度学习算法和基于物理性能模型的信息相结合的方法,针对实际场景下复杂的关键安全系统进行预测,实验结果表明这种混合框架比仅依靠数据驱动方法能够将预测范围延长近 127%。
Mar, 2020