PulseAugur
实时 09:19:48
English(EN) LieStoNet: Learning Lie Symmetries from Spatiotemporal Data for Stochastic Dynamical Systems

新AI框架发现随机系统中的李对称性

研究人员开发了LieStoNet,一个新颖的框架,旨在直接从时空数据中识别随机微分方程(SDE)中的李点对称性。这种无模板的方法学习漂移和扩散的神经网络代理,然后强制执行SDE确定方程和李代数公理来发现对称性。该系统还可以发现相关的Fokker-Planck方程的对称性,为噪声动力系统提供可解释的见解。 AI

影响 该框架通过自动揭示潜在对称性,有望实现对复杂物理系统更鲁棒和可解释的建模。

排序理由 该条目是一篇学术论文,详细介绍了一个用于科学发现的新计算框架。[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AI框架发现随机系统中的李对称性

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Shida Liu, Abhishek Gupta, Sumit Sinha, L. Mahadevan ·

    LieStoNet: Learning Lie Symmetries from Spatiotemporal Data for Stochastic Dynamical Systems

    arXiv:2608.01582v1 Announce Type: cross Abstract: Symmetry is central to modern machine learning and physics: invariances and equivariances improve sample efficiency, robustness, and out-of-distribution generalization, while symmetry principles guide scientific modeling. Yet for …