Jan, 2023

从轨迹中元学习可推广的动力学

PDF
TL;DR本论文提出了解释性元神经微分方程 (iMODE) 方法，用于快速学习多个动力系统的通用动力学，学习到这些系统的力场功能变化，可以将先验物理知识方便地嵌入神经网络结构，对 unseen system 进行建模并反推系统的物理参数，或作为神经规的一部分来 “测量” 看不见系统的物理参数。
interpretable meta neural ordinary differential equationdynamical systemsbi-level optimization frameworkmeta-knowledgeneural gauge
发现论文，激发创造
  • 神经常微分方程用于干预建模

    该论文提出了一种名为 IMODE 的新型神经 ODE 方法，该方法可以有效地处理具有干预效应的实际系统动态，并通过合成和真实时间序列数据集的实验结果展示 IMODE 相对于现有方法的优越性。

    Oct, 2020

  • 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

  • 使用特权信息进行动态元学习

    该研究论文介绍了利用神经 ODE 过程的元学习方法，使用潜变量模型进行灵活的上下文信息聚合，并扩展该模型以使用更多的优先信息，在模拟动态任务中验证了改进的准确性和校准性。

    Apr, 2021

  • 通过模块化和物理归纳偏差学习具有泛化动力学的 ModLaNets

    提出了一种具有模块化和物理归纳偏差的结构神经网络框架，即 Modular Lagrangian Network (ModLaNet)，它利用模块化来建模每个元素的能量，并通过拉格朗日力学构建目标动力学系统，从而可以从简单系统的动力学中学习并扩展到更复杂的系统，以提高其他相关物理感知神经网络不具备的数据效率和准确性性能。在对双摆和三体系统进行建模的同时，还将模型重新组织为扩展模型，用于模拟多摆和多体系统，展示了该框架的有趣的可重用性特征。

    Jun, 2022

  • 神经积分微分方程

    本文介绍了基于 Integro-Differential Equations（IDEs）理论的一种新型深度学习框架：Neural IDE（NIDE），采用神经网络学习积分算子，可对复杂的非局部动态系统进行建模，并应用于多个玩具和大脑活动数据集，验证了其优于其他模型的性能，并可将动态系统分解为马尔可夫和非马尔可夫构成部分。

    Jun, 2022

  • 可解释学习多尺度系统的有效动力学

    提出了一种可解释学习有效动力学（iLED）框架，通过融合 Mori-Zwanzig 和 Koopman 算子理论，实现与循环神经网络模型相当准确度的建模和仿真，具备可解释性，适用于解决高维度多尺度系统。

    Sep, 2023

  • 通过动态模态分解学习非自治系统

    本研究提出了一种基于动态模态分解（DMD）的面向未知非自治动态系统时间依赖输入的数据驱动学习方法，该方法利用本地参数化外部时间依赖输入的修正系统作为原始非自治系统的近似，包括一系列本地参数化系统，可以通过参数空间中的降维和插值框架（DRIPS）构建参数化代理模型。

    Jun, 2023

  • 物理感知时空模块与辅助任务的元学习

    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

  • 模型无关系统辨识的上下文学习

    传统的系统辨识方法采用给定的输入 / 输出序列和现有的物理知识估计未知动力系统的模型。本文提出了一种新的系统辨识方法，通过预训练一个元模型来隐式表示一个类别的动力系统的主要特征，并利用 Transformer 架构实现单步预测和多步仿真任务，为系统辨识研究开辟了新的方向。

    Aug, 2023

  • 用神经离散学习和专家级别模型对时空动力系统建模

    本文提出了一种基于数据驱动的普适专家模块，即光流估计组件，用于捕捉广泛的实际物理过程的演化规律；通过精细的物理流程设计和神经离散学习，增强了局部洞察力并获得潜在空间中的重要特征。实验结果表明，与现有的基线方法相比，所提出的框架取得了显著的性能提升。

    Feb, 2024