结合神经网络和积分形式的鲁棒 SINDy 方法
本文介绍了将稀疏识别非线性动力学 (SINDy) 框架扩展到随机动力学系统的方法，并证明了在无限数据限制下该方法的渐近正确性，在两个测试系统中展示了该方法的实现，并强调了交叉验证对确定正确的稀疏性水平是一个必不可少的工具。
Dec, 2017
HyperSINDy 通过稀疏非线性动力学的识别、随机动力学的建模、变分编码器、不确定性量化等方面的进展，提供了一个有前途的框架，用于在实际系统中进行模型发现和不确定性量化。
Oct, 2023
从噪声数据中发现非线性动力系统模型是一个重要问题，本研究结合了高斯过程回归和 SINDy 方法，提出了一种简单且具有噪声数据下显示改进鲁棒性的方法，通过仿真和硬件数据验证，表明该方法在发现系统动态和预测未来轨迹方面性能优于 SINDy。
Sep, 2023
Symbolic Regression（记号回归）是一个广泛研究的领域，旨在通过数据推断出记号表达式。本研究介绍了一种增强方法，名为 Nested SINDy，旨在通过引入嵌套结构来增加 SINDy 方法的表达能力。Nested SINDy 通过在核心 SINDy 层之前和之后引入附加层，能够对更广泛的系统进行符号表示。我们的研究结果突出了 Nested SINDy 在符号回归方面的潜力，超越传统的 SINDy 方法在表达能力上。然而，我们也注意到了 Nested SINDy 在优化过程中的挑战，并建议未来的研究方向，包括设计更稳健的优化方法论。本研究证明 Nested SINDy 能够有效地从数据中发现动态系统的符号表示，为通过数据驱动方法理解复杂系统提供了新机遇。
Apr, 2024
在此论文中，我们介绍了一种称为 GN-SINDy 的方法，该方法通过融合贪婪采样方法、深度神经网络和 SINDy 算法，扩展了称为 DeePyMoD 的基于 SINDy 的深度学习模型发现方法。我们通过使用一个专门准备的 Python 软件包，在众多偏微分方程发现问题上，将 GN-SINDy 的结果与 DeePyMoD 进行对比，以展示其有效性。
May, 2024
我们分析了 Sparse Identification of Nonlinear Dynamics (SINDy) 技术在三个非线性识别基准数据集上的有效性，以更好地了解其适用性，当解决真实动力系统时。虽然 SINDy 是一种追求基于物理的学习的吸引人策略，但我们的分析强调了处理未观测状态和非光滑动力学的困难。由于这些特征在一般的真实系统以及控制应用中无处不在，我们通过实践方法来解决这些问题，以便在这些具有挑战性的环境中利用 SINDy。
Mar, 2024
通过实际数据展示了增强 SINDy 算法在系统变量不确定性存在的情况下优于普通 SINDy 算法，并进一步展示了当两种不确定性同时存在时，SINDy 可以进行增强以保持鲁棒性。
Jan, 2024
利用物理学领域的最新进展，提出一种新的方法来发现强化学习中物理系统的控制非线性动态，并证明此方法能够在很少的轨迹采样数量（仅需要一次 $≤30$ 时间步的轨迹）下发现此动态，从而为系统带来基于模型的强化学习的好处，并且不需要事先开发模型。该算法在四个控制问题上的实验表明，训练得到的基于控制系统真实动态的最优策略泛化能力强，且对于实际物理系统具有很好的性能表现。与现有的其他方法相比，该方法需要采样更少的真实物理系统轨迹。
Aug, 2022
介绍了一种将稀疏字典学习和深度强化学习结合起来的 SINDy-RL 框架，用于创建高效、可解释和可信赖的动力学模型、奖励函数和控制策略，并通过在基准控制环境和复杂流体问题上的实验表明其有效性。
Mar, 2024