PulseAugur
中
实时 23:30:23
English(EN) RTS Smoother-Guided Learning of Physics-Based Neural Differential Models

新的混合框架使用神经网络学习物理 ODE

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一种新颖的混合框架，该框架将神经网络与基于物理的常微分方程 (ODE) 相结合来建模动态系统。当某些 ODE 组件未知且仅可测量状态变量的子集时，此方法特别有用。该方法在通过 Rauch--Tung--Striebel (RTS) 平滑器估计潜在状态与然后使用这些平滑轨迹通过反向传播训练神经网络参数之间进行交替。在基准系统上的评估表明，该框架能够从不完整的数据中学习缺失的 ODE 组件，同时还能改进潜在状态重建和长时预测。 AI

影响 这项研究可能会推动对状态信息不完整的复杂动态系统的建模，可能影响科学模拟和机器人等领域。

排序理由 该集群包含一篇学术论文，详细介绍了学习基于物理的神经微分模型的新方法。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新的混合框架使用神经网络学习物理 ODE

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Ahmet Demirkaya, Georgios Stratis, Tales Imbiriba, Zachary D. Danziger, Deniz Erdogmus ·

    RTS 平滑引导的物理基础神经网络微分模型学习

    arXiv:2607.15180v1 Announce Type: new Abstract: Ordinary differential equations (ODEs) are widely used to model dynamical systems in physics, biology, neuroscience, and physiology, but in many applications some equations of the dynamics are unknown and only a subset of the state …

  2. arXiv cs.LG TIER_1 English(EN) · Deniz Erdogmus ·

    RTS 平滑引导的物理基础神经微分模型学习

    Ordinary differential equations (ODEs) are widely used to model dynamical systems in physics, biology, neuroscience, and physiology, but in many applications some equations of the dynamics are unknown and only a subset of the state variables are measured. We propose a hybrid neur…

相关实体

相关话题