我们提出一种自监督方法，用于学习基于物理的子空间进行实时模拟。通过近似预定义的模拟数据以纯几何方式构建子空间的现有基于学习的方法。然而，这种方法倾向于产生高能量配置，导致了纠缠的潜空间维度，并且在训练集之外的泛化能力较差。为了克服这些限制，我们提出了一种自监督方法，在训练期间直接最小化系统的机械能。我们证明了我们的方法导致了学习到反映物理平衡约束的子空间，解决了先前方法的过拟合问题，并提供可解释的潜空间参数。

Apr, 2024

通过子空间可配置网络探讨模型权重最适合为参数化的连续转换低维线性子空间的配置假设，为解决输入转换和最优模型权重之间的基本关系提供了一种新的方法。

May, 2023

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

本研究探索了一种通过有效参数识别的数据驱动参数缩减方法，从目前的非线性流形学习技术开始，以实现对与复杂模型相关的高维参数空间的高效探索。

Jul, 2018

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

本文提出了一种基于人类示范学习的方法，从学习到的工作空间约束中生成机器人的动作轨迹，并采用学习到的约束子空间作为解零障碍函数，结合原始系统动力学效果来设计控制输入，以保持系统轨迹位于学习到的边界内。在真实机器人上的实验结果表明了该方法的有效性。

Mar, 2020

本文提出一种全数据驱动的方法，利用自编码神经网络组件估计哈密顿系统的相空间，通过另一个神经网络组件来逼近其哈密顿函数并在两个组件之间进行联合训练，提取了摆锤的相空间和生成哈密顿函数。

Jul, 2019

控制导向的、结构保持的学习关于高维物理系统的低维近似，重点研究机械系统。我们研究了在模型阶数降低中整合神经自编码器，同时保留哈密顿或拉格朗日结构。我们着重评估所考虑方法的性能，通过在包含数百个状态的大型质量 - 弹簧 - 阻尼网络上进行模拟和控制实验。实证结果显示，少于 5 个自由度的压缩潜在动态可以以约 4% 的相对总误差准确重构原始系统的瞬态和稳态行为，同时准确重构总能量。利用这种系统压缩技术，我们介绍了一种基于模型的控制器，利用压缩模型的数学结构来调节受强减调控机械系统的配置。

Dec, 2023

本文研究了在非线性动力学系统中计算不变流形的方法，利用高维有限元模型和 Lyapunov 子中心流形来解决这个问题。

Mar, 2021

提出一种基于神经网络减小秩的 ROM 新方法，在处理对流主导的现象时更好地逼近高保真模型，通过在非线性流域中超减少运算并得到适当的误差界限达到更好的效率。

Sep, 2020