研究人员开发了一种混合降阶建模方法,该方法结合了数据驱动技术和已知物理学,以改进对表现出时空混沌动力学系统的预测。该方法利用自编码器寻找不变流形,并将全阶模型的向量场投影到其上。然后,使用动态数据校正物理学推导的向量场,或将其用作贝叶斯先验,采用神经常微分方程框架。在 Kuramoto-Sivashinsky 方程和复杂 Ginzburg-Landau 方程上进行测试,与仅数据方法相比,该混合模型显著提高了时间序列预测的准确性,即使在数据稀疏或物理模型不准确的情况下也是如此。 AI
影响 这种混合方法可能导致更准确、更高效的复杂物理系统模拟,造福于依赖预测建模的领域。
排序理由 该集群包含一篇详细介绍新建模方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]
- arXiv
- complex Ginzburg-Landau equations
- Hugging Face
- Kuramoto-Sivashinsky equations
- Michael D. Graham
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →