最近开发的降阶建模技术旨在从数据中学习的低维流形上近似非线性动力系统。我们介绍了一种由约束的自动编码器神经网络描述的参数化非线性投影类，其中流形和投影纤维都是从数据中学习得到的。此外，我们还提出了一些新的动力学感知成本函数，以促进学习考虑快速动力学和非正常性的斜投影纤维。为了展示这些方法及其解决的特定挑战，我们提供了一个关于涡街现象的三状态模型的详细案例研究。同时，我们还提出了几种基于我们提出的非线性投影框架构建计算高效的降阶模型的技术。这包括一种用于避免计算 Grassmann 流形上有害的权重矩阵收缩的新型稀疏促进惩罚项的编码器。

Jul, 2023

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

运用遍历理论引入机器学习的新型训练方式，强制实现系统中的动力学不变量，以提高在有限数据情况下对混沌动力学系统的长期预测能力，用回声状态网络体系结构进行演示，并以 Lorenz1996 混沌动力学系统和光谱拟地转模型为测试案例，取得了丰硕成果。

Apr, 2023

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

为了解决大维物理系统不同参数选择下的计算成本过高问题，该研究提出了模型简化和神经网络结构的新方法，其中关键是保存系统的辛结构和利用网络设计中的微分几何结构进行训练，该方法在准确性方面表现显著优于现有设计。

Dec, 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

本文提出了一种完全数据驱动的 ROM 框架，该框架使用 CAEs 对全序模型进行空间重建，并使用 LSTM 集成进行时间序列预测，在两个非稳态流体动力学问题上的应用结果表明，所提出的框架能够有效减小误差传播，使得在未知点上对潜在变量的时间序列预测更加准确。

Feb, 2024

提出了使用深度人工神经网络的数据驱动参数模型降阶（MOR）方法，其中采用最小二乘分层变分自动编码器（LSH-VAE），可以进行非线性 MOR，对具有大量自由度的非线性动态系统进行了参数插值，其结果表明相比传统的非线性 MOR 方法、自动编码器和变分自动编码器，LSH-VAE 具有更高的准确性和稳定性，并在三个非线性多物理动力学系统上进行了验证和评估。

Jul, 2023

该研究论文利用深度神经网络与 Lagrangian 力学相结合，提出一种新的加速弹性形变物体模拟的算法，通过利用复杂度有限差分和反向神经自动微分策略，解决了非线性力平衡的挑战，进一步设计了采样网络和加权网络，使得该方法更加具有普适性。

Feb, 2021