PulseAugur
实时 23:12:23
English(EN) Differentiable Parameter Optimization for DAEs with State-Dependent Events

新方法实现具有事件的微分代数方程的基于梯度的学习

研究人员开发了两种新颖的方法,用于计算涉及状态相关事件的微分代数方程(DAE)的可微参数优化中的梯度。这些方法解决了隐式定义的代数变量、参数相关的事件时间和重置映射引入的不连续性带来的挑战。第一种方法通过模拟进行自动微分,通过隐函数定理区分代数求解,并通过分段积分处理事件。第二种方法采用显式的离散伴随方法,将前向模拟残差视为等式约束来计算梯度。 AI

影响 引入了可能适用于AI研究中复杂系统建模和仿真的先进数学技术。

排序理由 这是一篇研究论文,详细介绍了在特定类型的数学建模中计算梯度的创新方法。[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 →

新方法实现具有事件的微分代数方程的基于梯度的学习

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Ion Matei, Maksym Zhenirovskyy, Anthony Wong ·

    Differentiable Parameter Optimization for DAEs with State-Dependent Events

    arXiv:2605.05395v1 Announce Type: new Abstract: Differential-algebraic equations (DAEs) with state-dependent events arise in systems whose continuous dynamics are constrained by algebraic equations and interrupted by mode changes, switching logic, impacts, or state reinitializati…