PulseAugur
中
实时 13:59:53
English(EN) MPINeuralODE: Multiple-Initial-Condition Physics-Informed Neural ODEs for Globally Consistent Dynamical System Learning

新的MPINeuralODE方法改进了动力学系统学习

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了MPINeuralODE，一种使用神经网络常微分方程学习动力学系统的新方法。该方法通过整合物理信息残差和在多个初始条件上进行训练的课程，解决了对未见初始条件和长时域泛化能力差的常见问题。与基线Neural ODEs相比，MPINeuralODE在模拟Lotka-Volterra等系统时表现出更高的准确性和稳定性，同时还显示出汉密尔顿漂移的减少。 AI

影响 这项研究为训练神经网络建模复杂动力学系统提供了一种更鲁棒的方法，有望改进科学模拟中的预测。

排序理由 这是一篇详细介绍学习动力学系统新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的MPINeuralODE方法改进了动力学系统学习

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Lake Yang, Antonio Malpica-Morales, Frank Ioannis Papadakis Wood, Serafim Kalliadasis ·

    MPINeuralODE: Multiple-Initial-Condition Physics-Informed Neural ODEs for Globally Consistent Dynamical System Learning

    arXiv:2605.13305v2 Announce Type: replace Abstract: Neural ordinary differential equations (Neural ODEs) often fit training trajectories while generalizing poorly to unseen initial conditions and long horizons. We propose MPINeuralODE, which combines a soft physics-informed resid…

相关实体

相关话题