PulseAugur
中
实时 10:41:32
English(EN) Scientific Machine Learning of Chaotic Systems Learns Reduced-Order Equations for Neural Populations

新的科学机器学习方法学习混沌系统方程

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了PEM-UDE，一种新颖的科学机器学习方法，旨在从复杂的混沌动力学系统中提取可解释的数学模型，即使面对嘈杂的实验数据。该技术结合了预测误差方法和通用微分方程，以平滑优化过程并识别控制方程。该方法已成功应用于Rössler吸引子和真实电路等基准混沌系统，并能从嘈杂的观测中准确恢复函数形式。此外，PEM-UDE还应用于从Izhikevich神经元群体中学习多尺度神经质量模型，将单神经元参数与宏观网络动力学联系起来，并预测振荡频率和同步的趋势。 AI

影响 该方法可以实现对复杂生物和物理系统更准确、更可解释的建模。

排序理由 该集群包含一篇详细介绍用于模拟混沌系统的新机器学习方法的科学论文。[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 →

新的科学机器学习方法学习混沌系统方程

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Anthony G. Chesebro, David Hofmann, Vaibhav Dixit, Earl K. Miller, Richard H. Granger, Alan Edelman, Christopher V. Rackauckas, Lilianne R. Mujica-Parodi, Helmut H. Strey ·

    混沌系统的科学机器学习学习神经元群体的降阶方程

    arXiv:2507.03631v4 Announce Type: replace Abstract: Extracting interpretable mathematical models from complex dynamical systems is difficult, especially for chaotic dynamics observed with noisy experimental data. We present PEM-UDE, a method that combines prediction-error methodo…

相关实体

相关话题