Mar, 2024

基于物理感知和参数扩散引导的时空流体动力学建模

PDF
TL;DR该研究提出了一种名为 ST-PAD 的两阶段框架，用于地球科学领域中的时空流体动力学建模，旨在通过时空物理意识和参数扩散引导实现高精度的流体动力学模拟和预测。该框架在多个基准数据集上的广泛实验验证了其有效性和稳健性，展示了 ST-PAD 在流体动力学建模和预测方面的优势，特别是在有效捕捉局部表示并在 OOD 生成中保持显著优势。
发现论文，激发创造
  • 利用物理引导和频率增强的循环神经网络增强时空预测

    该研究论文提出了一种物理引导的神经网络，利用频率增强的傅里叶模块和矩损失来增强模型估计时空动态的能力，并提出了具有物理约束的自适应二阶龙格 - 库塔方法，以更准确地建模物理状态。实验结果表明，该模型在时空预测和视频预测任务中表现出色，在多个数据集上具有最佳性能，而参数数量却更少。

    May, 2024

  • PARCv2：物理感知循环卷积神经网络用于时空动力学建模

    通过引入归纳偏置方法，我们研究了物理感知递归卷积 (PARC) 在模拟非稳态和对流优势动态系统方面的能力，并将其与其他物理模型进行了比较。

    Feb, 2024

  • 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

  • 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

  • 利用预测模型进行时空流体过程的自适应采样

    本文针对流体过程的持续监测问题，提出了一种基于预测模型的自适应采样算法（PASST），该算法利用深度学习模型进行路径规划，采样数据用于更新初始状态以改进预测性能，并通过强化学习算法进行路径规划，实现在给定时间范围内对流体过程进行高效可靠的监测和采样。

    Apr, 2023

  • 学习使用可训练差分算子模拟部分已知的时空动力学

    使用混合架构的 PDE-Net++ 模型结合了神经网络、差分算子和黑盒模型，提供了更准确和可解释性更强的数据驱动方法来模拟时空动态。

    Jul, 2023

  • 一种灵活的扩散模型

    本研究提出了一个通用的模型参数化框架，尤其是针对前向 SDE 的空间部分，通过理论保障和实验证明了其优越性。

    Jun, 2022

  • 社会物理启发的人群模拟扩散模型

    本文提出了一种称为 SPDiff 的社交社交物理驱动扩散模型，以解决物理驱动机器学习方法在群体模拟中无法全面建模人类移动的异质性和多模态问题。通过反向扩散过程，SPDiff 利用当前时间段中的交互和历史群体信息生成下一个时间段中行人移动的分布。通过设计群体交互模块，并运用群体交互的等变性属性进一步增强该模块，本文受社交力模型的启发，减小了噪声过滤过程中的误差累积。为了减轻长期模拟中的错误累积问题，本文提出了一种多帧展开训练算法来进行扩散建模。两个真实世界数据集上的实验证明了 SPDiff 在宏观和微观评估指标方面的优越性能。代码和附录可见该网址链接。

    Feb, 2024

  • DYffusion: 基于动态信息的时空预测扩散模型

    文章提出了一种新的 diffusion model 的训练方法，通过将数据中的时间动态信息直接耦合在网络的 diffusion steps 中，训练了一个 stochastic time-conditioner interpolator 和一个 backbone forecaster network，从而实现了多步和长距离的时序预测能力。实验结果表明该方法对于复杂的动态状态预测有较强的表现。

    Jun, 2023

  • 建模随机观测的时空动力系统

    我们开发了一种新的时空方法，通过集成从摊销变分推断、神经微分方程、神经点过程和隐式神经表示等技术，有效处理随机采样的数据，并对未来观测的概率位置和时间进行预测，从而在预测准确性和计算效率上显著超越现有方法，成为研究和理解在真实无约束条件下观察到的复杂动力系统的有用工具。

    Jun, 2024