dynamic mode decomposition
PulseAugur coverage of dynamic mode decomposition — every cluster mentioning dynamic mode decomposition across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新研究探讨循环神经网络中的主导流形
研究人员开发了一种方法来理解训练如何塑造循环神经网络动力学的几何形状，特别是在用于时间序列建模的循环神经网络中。该研究表明，训练数据在线性连续时间循环神经网络中生成了一个不变子空间，其维度对应于主导模式的数量。对于简化的对角线线性循环神经网络，分析将主导特征值和特征向量与后向动态模式分解矩阵的光谱联系起来，近似了数据生成系统的Koopman算子。
-
动态模式分解应用于噪声热力系统数据
一篇新研究论文探讨了动态模式分解（DMD）在分析具有噪声和低分辨率数据的热力系统中的应用。该研究考察了预处理和截断策略如何在这些挑战性条件下提高DMD的稳定性和可解释性。结果表明，当仔细选择保留模式的数量，平衡重建保真度和噪声敏感性时，DMD可以有效地从稀疏和退化的数据集中捕获主导的热力行为。
-
NeuralDMD框架从稀疏数据中重建时空动力学
研究人员推出NeuralDMD，一个新颖的框架，它结合了神经隐式表示和动态模式分解（DMD），以从稀疏和噪声测量中重建连续的时空动力学。这种可解释的、未经训练的方法将DMD模式参数化为连续的神经场，并通过低秩线性动力学先验强制执行时间连续性。NeuralDMD在天气数据同化和分析银河系中心A*的干涉测量观测等任务中，表现优于现有方法，在预测方面表现稳定，并具有非线性应用的潜力。
-
新的基于Koopman的控制方法提升涡轮风扇发动机性能
研究人员开发了一种利用Koopman算子理论控制涡轮风扇发动机的新方法。该方法在一个近期论文中进行了详细介绍，利用了改进的动态模式分解来创建一个可重用的Koopman模型，该模型能够预测转子转速和发动机压比（EPR）。设计了一个自适应的基于Koopman的模型预测控制器（AKMPC），并与其他基于Koopman的控制器进行了比较，由于其处理非线性动力学、约束和模型失配的能力，在不同飞行条件下表现出优越的性能。
-
新的等变谱子流形降阶方法加速复杂建模
研究人员引入了等变谱子流形（eSSM）降阶方法，这是一种用于创建可靠的非线性降阶模型的新方法。该方法在现有的谱子流形（SSM）技术基础上，将全阶模型的对称性直接融入降阶过程。eSSM框架证明了SSM是天然的等变子流形，并且相关的降阶动力学继承了群作用。这导致了一种新颖的算法，该算法显著加快了计算速度并增强了模型的鲁棒性，正如在科学通用任务框架的基准问题中所展示的那样。
-
AI分析脑电图信号以检测脑部疾病动力学
研究人员开发了一种新方法，使用动态模式分解（DMD）来分析高频脑电图（EEG）信号，以检测脑部疾病的指标。该技术识别脑电图数据高频带内的持续动力学变化。分类实验表明，从该方法派生的特征可以有效地将酒精依赖者与对照组区分开来，约70%的样本显示出持续的高频动力学。
-
新方法利用Koopman动力学增强从噪声数据中发现方程的能力
研究人员开发了一种动力学感知的识别方法，用于从稀疏和噪声数据中识别控制方程，该方法建立在稀疏非线性动力学识别（SINDy）和PDE函数识别（PDE-FIND）等技术的基础上。新方法利用基于Koopman的升采样方法，包括动态模式分解（DMD）及其变体，在导数估计和稀疏回归之前对数据进行插值和去噪。此预处理步骤旨在提高导数估计的准确性，而导数估计通常在稀疏和噪声测量下不可靠。该方法在几个ODE和PDE系统上进行了测试，表明基于Koopm…
-
DeepCormack算法加速材料费米面研究
研究人员开发了DeepCormack，一套新颖的数据驱动算法，旨在改进材料费米面研究的三维双光子动量密度（TPMD）重建。该方法将CNN、MLP和U-Net等深度学习模型与Cormack方法和奇异值分解等传统技术相结合。通过利用密度泛函理论计算生成的合成训练数据，DeepCormack显著提高了重建质量，并将数据采集所需时间从数月缩短到数周。
-
科学机器学习在流体动力学模拟方面取得进展
最近的一章回顾了科学机器学习（SciML）在模拟复杂流体流动和输运现象方面的进展。它强调了动态模式分解和物理信息神经网络（PINNs）等方法，这些方法为计算成本高昂的系统提供了高效的代理模型。该章还介绍了使用 PINNs 进行浊流模拟以及使用变分自编码器进行热流模拟的新贡献，展示了 SciML 在快速、准确近似和降低计算成本方面的潜力。
-
科学机器学习在流体动力学建模方面取得进展 · 跟踪到2个来源
本章探讨了科学机器学习（SciML）在模拟复杂流体流动和输运现象方面的进展。它详细介绍了奇异值分解、动态模式分解、物理信息神经网络（PINNs）和 $\beta$-变分自编码器（$\beta$-VAEs）等方法，以创建高效的代理模型。该工作将这些技术与高性能计算策略相结合，包括自适应网格细化/粗化（AMR/C），以降低浊流和热对流等应用的计算成本。
-
用于动力系统的新型深度谱编码器方法
研究人员开发了一种新颖的谱学习方法，称为深度谱编码器（DSE），用于分析随机非线性动力系统。DSE 使用基于算子的潜在状态空间模型，其中神经网络编码器将观测映射到马尔可夫潜在状态。该方法采用函数式典型相关分析来推导状态坐标，并从中估计传递算子和观测算子。这种方法允许进行广义序列贝叶斯滤波和Koopman谱模式分解，在嘈杂和部分可观测的情况下表现优于现有基线。
-
HiCache++ 使用 DMD 和 Prony 基加速扩散模型
一种名为 HiCache++ 的新方法已被开发出来，可以在无需额外训练的情况下显著加速扩散模型（如 Stable Diffusion 中使用的模型）。该技术通过使用动态模式分解 (DMD) 和 Prony 基来改进现有方法，与早期方法中使用的多项式基相比，DMD 和 Prony 基更适合预测扩散特征的轨迹。HiCache++ 在更宽的跳过间隔下表现出改进的性能并保持无损质量，使其成为当前缓存机制的即插即用替代品。
-
ViT 深度计算由线性动力学近似
研究人员通过应用动态模式分解 (DMD) 来探索 Vision Transformers (ViTs) 的内部计算。他们的发现表明，ViT 中的连续块可以被重复应用的单个线性算子近似。该线性算子可以准确预测短跨度内的中间激活，尤其是在早期层和 'cls' token 中，但这种局部保真度并未转化为下游任务的性能提升。
-
新的CDM方法增强了扩散模型蒸馏，实现了更快、更高保真度的图像生成
研究人员推出了一种新颖的连续时间分布匹配（CDM）方法，用于加速扩散模型。该方法超越了离散时间蒸馏，采用了动态、连续的时间表和轨迹外匹配目标。CDM旨在提高少步扩散过程中的图像生成保真度和细节保留，而无需复杂的辅助模块（如GAN）。
-
无方程数字孪生利用库普曼理论处理结构动力学
研究人员开发了一种新的数字孪生框架，用于监测复杂的工程结构，特别是在非平稳和非线性动力学具有挑战性的环境中。该方法利用库普曼算子理论和动态模式分解，在无需预先了解刚度或质量矩阵的情况下实时重建结构状态。该框架已成功在一台漂浮式海上风力涡轮机上得到验证，展示了高保真度的重建和约1.0秒的可预测性范围。