English(EN) Learning Closure of Dynamical Systems with Kernel Ridge Regression

核岭回归推动动力学系统建模

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-05 04:00

研究人员开发了一个新的框架，使用核岭回归（KRR）来模拟动力学系统中缺失的组件。该方法同时处理常微分方程（ODE）和偏微分方程（PDE）设置中的差分方程闭合，以及动理学方程中的矩闭合代数闭合。在 Lorenz-63 系统和 Kuramoto-Sivashinsky 方程上的实验表明，KRR 实现了准确的长期预测，优于基于 LSTM 的闭合模型。该研究还探讨了动理学方程的矩闭合，比较了全局 KRR 模型和空间局部模型，发现局部模型在双峰初始条件下提供了更好的鲁棒性和准确性。 AI

影响引入了一种新颖的科学建模机器学习方法，有可能提高复杂系统模拟的准确性。

排序理由详细介绍新建模框架和实验结果的学术论文。[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 →

本文如何被排名

Signal score: 6 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 详细介绍新建模框架和实验结果的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Same-day; Cluster formed today. Ranking reflects the current source set at time of score.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Evan Habbershaw, John Harlim, Senwei Liang · 2026-10-05 04:00

基于核岭回归的动力学系统学习闭合

arXiv:2610.02564v1 Announce Type: cross Abstract: We develop a closure modeling framework for identifying missing components of dynamical systems using Kernel Ridge Regression (KRR). The framework addresses two classes of closure problems: difference-equation closures arising in …

本文如何被排名

报道来源 [1]

基于核岭回归的动力学系统学习闭合

相关实体

相关话题