- DiscoveryBench:基于大型语言模型的数据驱动发现
快速提取、调用函数和数据分析是大型语言模型 (LLMs) 快速生成代码,从提供的数据集中自动化搜索和验证假设的关键。我们通过 DiscoveryBench 这一全面的基准测试来评估这个问题,该基准测试形式化了数据驱动发现的多步骤过程。该基准 - 基于视觉的三维移动目标非线性动力学发现
提议一种基于视觉的方法,通过一组摄像机记录的原始视频自动发现 3D 移动目标的非线性动力学方程,通过目标跟踪模块、坐标变换学习模块和增强曲线支持的稀疏回归器组成,该方法有效处理与视觉数据相关的挑战。
- 基于大型生成模型的数据驱动发现
通过大型生成模型(LGM)开发自动化端到端数据驱动发现系统是具有挑战性的,我们提倡通过故障安全的工具集成和积极的用户调节机制来促进高效、可重现的数据驱动科学发现。
- 计算超图发现,连接数据的高斯过程框架
基于高斯过程方法的解释性高斯过程框架用于数据驱动的计算超图的发现和完成,可应用于方程发现、网络发现和原始数据分析。
- 基于高斯过程和低维交互结构的二阶粒子动力学数据驱动模型选择
本文通过数据驱动的方法,提出了一种基于粒子的模型,使用基于高斯过程的方法来对相互作用的动力学系统进行建模,并利用小型数据集证明了该方法在描述非线性动力学系统方面的有效性。
- 纠正物理命名神经网络中的模型规范错误
给定一些稀疏和 / 或嘈杂的数据,本文提出了一种纠正 PINNs 中模型错误的通用方法,使用其他深度神经网络 (DNNs) 建模模型偏差和观测数据之间的差异,从而扩展了 PINNs 在未知物理过程的复杂系统中发现规律方程的应用。
- 基于贝叶斯框架的从数据中学习控制偏微分方程
通过机器学习中的变分贝叶斯和稀疏线性回归的组合方法,提出了一种新的从数据中发现偏微分方程的方法,可应用于物理、工程和生物学领域等。
- 利用基于物理学的信息准则从高噪声和稀疏数据中发现偏微分方程
本文提出物理信息准则 (PIC) 来综合度量已发现的 PDE 的简洁性和精确性,证实了其在处理高噪声、稀疏数据方面的鲁棒性,PIC 也被用于从微观模拟数据中发现未揭示的宏观统治方程,结果表明发现的宏观 PDE 是精确和简洁的,符合基本对称性 - 从有限数据中利用物理编码学习发现非线性偏微分方程
本文提出一种新的基于物理编码离散学习框架,用于从稀缺且有噪声的数据中发现时空偏微分方程,通过引入基于深度卷积 - 循环网络进行先前的物理知识编码,并利用重构数据的稀疏回归来识别控制 PDEs 的显式形式。作者在三个非线性 PDE 系统上进行 - 祖先仪器方法用于因果推断,无需因果图
本文提出了一种基于最大祖先图 (MAG) 的新型工具 —— 祖先工具变量 (ancestral IV),并通过理论与算法探讨,实现了从观测数据中自动发现祖先 IV 特征值并进行无偏因果效应估计的方法。实验结果表明,该方法能够在合成数据和实际 - 基于数据的自由形式控制微分方程发现
该论文提出了使用数据来发现控制微分方程的方法,该方法使用可微分模型并结合基因编程算法来探索不同的函数组合,在不需要人类干预的情况下较准确地识别出微分运算符。同时,该方法还进行了有效的主动学习以识别和纠正所提出的控制方程的缺陷。
- PDE-Net 2.0: 数字符号混合深度网络学习从数据中推导偏微分方程
本文提出一种新的深度神经网络 PDE-Net 2.0,利用先前成果基于微分算子卷积数值逼近及符号多层神经网络模型恢复,从大量动态数据中探索时变偏微分方程 (PDEs) 的复杂性及本质特点,具有较高的灵活性和表达能力,研究实验证明 PDE-N - 物理启发的深度学习(第一部分):非线性偏微分方程的数据驱动解决方案
本文介绍物理学知情神经网络,它们被训练来解决监督式学习任务,同时遵守由概括非线性偏微分方程组的任何物理法则。
- 物理知识指导的深度学习(第二部分):基于数据发现非线性偏微分方程
本文介绍了物理知识启发的神经网络,依据偏微分方程描述的物理学定律进行训练。本文第二部分聚焦于基于数据驱动的偏微分方程发现问题,并介绍了两类算法,即连续时间和离散时间模型。本方法在包括守恒定理、不可压缩流体流动和非线性浅水波传播等多个数学物理