贝叶斯学习在动态系统方程中发现数学运算
采用混合神经 ODE 结构结合符号回归来学习部分观测动力系统的控制方程,通过两个案例研究验证该方法成功地学习了这些系统中未观测状态的真实控制方程,并对测量噪声具有鲁棒性。
Apr, 2024
本文介绍一种基于稀疏回归和自编码器的算法,通过在简化空间中寻找非线性系统的动力学描述,实现了均衡模型复杂性和描述能力,同时提升了解释性和推广能力,同时在多个高维非线性系统中测试了该方法的优势。
Mar, 2019
神经网络具有普适逼近能力,使用一层隐藏层即可精确逼近任何非线性连续算子,但需要 DeepONet 结构通过降低泛化误差以实现其潜力应用。
Oct, 2019
发展和验证了拉普拉斯逼近、马尔可夫链蒙特卡罗采样方法和变分推断等贝叶斯推断方法,发现拉普拉斯逼近是解决这类问题的最佳方法。我们的工作可以轻松扩展到多项式神经网络等符号神经网络的更广泛类别。
Aug, 2023
本文提出了一种名为动态高斯图算子(DGGO)的新型算子学习算法,它将神经操作器扩展到任意离散力学问题中的学习参数偏微分方程(PDEs),通过动态高斯图(DGG)核将在一般欧几里得空间中定义的观测向量映射到高维均匀度量空间中定义的度量向量,致力于解决复杂的计算域上的通用性问题。
Mar, 2024
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
通过学习多智能体系统动力学,我们提出了 GG-ODE(广义图形常微分方程)机器学习框架,使用神经常微分方程(ODE)通过图神经网络(GNN)捕捉智能体之间的连续交互,并假设不同环境下的动力学都受到相同物理定律的支配。通过实验证明,我们的模型可以准确预测系统动力学,尤其在长期范围内,并能够很好地推广到观测数据稀缺的新系统。
Jul, 2023
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