dynamical systems
PulseAugur coverage of dynamical systems — every cluster mentioning dynamical systems across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
-
新型神经网络可处理复杂的确定性及分段光滑动力学系统
研究人员开发了用于学习复杂动力学系统的新型神经网络架构。一种方法侧重于确定性和随机强迫哈密顿系统，引入了广义强迫哈密顿神经网络（GFHNNs），可提供更长的长期稳定性和准确性。另一种方法通过结合超平面检测和几何约束神经网络来处理分段光滑动力学系统，这类系统在气候动力学和具有摩擦的机械系统等领域具有相关性。
-
新框架使用人工智能绘制复杂动力系统边界
研究人员开发了一个新颖的框架，该框架结合了监督分类和生成建模，以识别和重建复杂动力系统吸引盆的边界。该方法使用神经网络对相空间进行划分并识别不确定区域，然后利用这些区域来训练基于分数的生成模型。生成模型产生的样本密度与分离线附近样本的经验密度非常匹配，为重建这些关键边界提供了一种数据驱动的方法。
-
新方法利用对称性从单轨迹识别动力系统
研究人员开发了一种利用固有对称性识别动力系统的新方法。该方法表明，具有已知对称性的系统可以比通用系统从更短的轨迹中识别出来。此外，该方法还可以从单个轨迹中自动发现未知的对称群，在已知对称性情况下的识别长度与此相同。这项工作利用了群表示论的工具和凯莱图的性质。
-
新研究探索使用Transformer对动力学系统进行建模 · 跟踪2个来源
两篇新的arXiv论文探讨了Transformer模型在理解和预测动力学系统中的应用。第一篇论文分析了单层Transformer的机械特性，将因果自注意力解释为历史依赖的递归，并识别了线性和非线性系统的运行模式。第二篇论文介绍了一种用于ODEFormer（一个将ODE轨迹映射到方程的预训练Transformer）的验证器引导工作流程，以提高这些模型向高维物理数据的可靠迁移能力，并实现可解释、物理可审计的预测。
-
基于临界跃迁的新癫痫发作检测算法表现出专家级性能
研究人员开发了一种利用临界跃迁概念的新型癫痫发作检测算法，为传统的机器学习方法提供了一种替代方案。这种新方法旨在克服现有算法在处理各种癫痫形态和数据伪影时经常遇到的灵敏度和特异性方面的局限性。该算法在检测癫痫啮齿动物的癫痫发作开始和结束时间方面表现出接近专家级的性能，在不同记录会话和癫痫发作类型中显示出鲁棒性和多功能性。
-
新框架在混沌博弈动力学中发现统计规律
研究人员开发了一个新的框架，利用遍历论中的自然不变测度来分析博弈论中的混沌动力学。这种方法可以对诸如乘法权重更新（MWU）等算法的长期行为进行统计表征，即使它们没有收敛到纳什均衡。该研究表明，通过融合博弈论和动力学系统的概念，该方法可以精确计算各种经济指标（如收益和社会成本）的时间平均值。
-
新的 Finsler 度量结合谱系数据增强轨迹推断
研究人员开发了一种新颖的 Finsler 度量，该度量将离散的、有向的先验知识与连续的几何先验相结合，用于轨迹推断。这种新方法通过结合分类和几何特征来增强对动力系统动力学的理解，从而在合成和真实世界的数据集上提高插值性能，特别是在谱系树提供关键转换信息的发育生物学等领域。
-
微分方程启发新型深度神经网络架构
一篇新论文探讨了将微分方程与深度神经网络相结合，以增强AI的理论理解、可解释性和泛化能力。该研究回顾了受常微分方程和随机微分方程启发的架构和建模方法，并通过数值比较来说明其性能。作者认为，这种跨学科方法为开发更具洞察力和更鲁棒的计算智能提供了有前景的途径。
-
基于方差演化理论分析蝙蝠算法参数设置
本文深入探讨了蝙蝠算法（一种进化计算算法）的参数设置的理论分析。研究人员证明，应用动力学系统理论并分析种群方差演化可以得出有效的参数范围。这种理论方法的结果与数值实验结果一致，为算法的探索、开发和收敛行为提供了见解。
-
论文认为时间序列建模需要动力学系统视角
一篇新的立场论文提出，时间序列建模应采用动力学系统视角来推动该领域的发展。作者认为，大多数时间序列源于潜在的动力学系统，认识到这一点有助于解决当前预测和泛化方面的局限性。他们建议关注动力学系统重构（DSR）训练技术，在动力学系统模拟上预训练模型，并重新考虑使用Transformer，转而采用现代RNN来捕捉时间动态。该论文还强调了解决拓扑变化和利用通用动力学系统特性以更机制化地理解时间序列的重要性。
-
新的神经网络架构应对复杂的科学计算问题 · 跟踪 8 个来源
研究人员正在开发新颖的神经网络架构来求解复杂的偏微分方程 (PDE) 和建模动力学系统。这包括用于离子传输的面向结构的随机神经网络 (SO-RaNN)，用于具有已知图结构的_时间序列_预测的_信息_神经_控制_微分方程 (INDEQS)，以及用于高保真 PDE 解的_启动器-迭代器_神经算子 (SINO)。此外，还提出了正交正则化 (OrthoReg) 来通过防止组件之间的重叠来改进混合符号-神经模型，而其他工作则探索了现代神经网络架…
-
新基准揭示LLM在动态系统中的逻辑缺陷
研究人员推出了ChaosBench-Logic v2，这是一个旨在严格评估大型语言模型逻辑推理能力的新基准，特别是在动态系统方面。该基准突出了标准准确性指标常常掩盖的关键故障模式，例如先验崩溃和释义不一致。对14个模型的评估显示，虽然前沿模型在状态转移推理方面存在困难，但Qwen 2.5-32B等开源模型在特定诊断领域表现出色。
-
新方法使用生成式模拟器进行可扩展的贝叶斯滤波
研究人员开发了一种使用生成式模拟器（特别是扩散模型）进行贝叶斯滤波的新颖方法。该方法允许在无需额外训练的情况下实现粒子滤波的最优变体，克服了高维系统的可扩展性问题。在包括大气动力学在内的复杂系统上的实验表明了该技术在高维环境中的有效性。
-
DOODL 框架学习跨系统的共享谱动力学
研究人员开发了一个名为 DOODL（Dynamical OperatOr Dictionary Learning）的新框架，用于同时分析和学习多个相关的动力学系统。该方法识别谱动力学中的共享结构，从而实现更准确、更高效的算子估计，尤其是在数据稀疏的情况下。实验表明，DOODL 在复杂模拟上的表现显著优于独立估计方法。