Ordinary Differential Equations
PulseAugur coverage of Ordinary Differential Equations — every cluster mentioning Ordinary Differential Equations across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新框架解释了神经网络为何首先学习低频分量
一个名为正交多项式动力学框架（Orthogonal Polynomial Dynamics Framework）的新理论框架已被开发出来，用于解释浅层神经网络为何优先学习低频分量，这种现象被称为谱偏差（spectral bias）。该框架分析了动力学矩阵 H，它控制着正交多项式基下傅里叶级数系数的梯度下降。该研究旨在提供一个适用于各种激活函数和网络架构的通用解释，以克服先前在理解谱偏差方面的局限性。
-
新的测试时预测框架使基础模型能够预测未见的动力学
研究人员引入了一个名为测试时预测（TTF）的新框架，使基础模型能够预测未见动力学系统的动力学。该框架利用循环 Transformer 和梯度下降作为循环深度来模拟偏微分方程（PDE）、常微分方程（ODE）和时间序列的传播器。经过一步预测训练的 TTF 模型在自回归展开过程中表现出对分布外系统动力学的泛化能力。
-
新模型识别人类学习动力学参数
研究人员开发了一个新模型，将人类学习理解为一个耗散动力学过程，类似于非线性常微分方程组。该模型旨在捕捉知识如何在相互关联的概念中积累、衰减和传播。该研究证明了一个结构可辨识性定理，表明在特定的激励条件下可以精确恢复模型参数，并在更简单的情况下提供建设性的闭式解。然而，在大型观测数据集上，模型参数无法准确恢复，这表明在没有设计的激励的情况下，在实际应用中存在局限性。
-
新机器学习方法利用泛函分析学习未知的常微分方程
研究人员开发了一种新颖的机器学习方法，可以从单个状态轨迹中发现未知的非线性常微分方程（ODEs）。该方法基于泛函分析和算子理论，与现有方法不同之处在于，它在函数空间中构建了一个以函数间的积分距离为基础的成本函数。增量学习算法允许使用新数据进行在线学习，从而能够发现强制和非强制、自治和非自治系统的未知向量场，并能同时识别外部力和潜在动力学。
-
LLM框架LLMODE增强不规则时空预测
研究人员开发了LLMODE，一个旨在利用大型语言模型（LLM）改进时空预测的新型框架。该方法解决了现有方法在处理不规则采样数据和有限上下文窗口等方面的局限性。LLMODE采用图感知ODE编码器将不规则观测转换为连续时间潜在轨迹，然后通过Perceiver Resampler将其压缩为动态内存令牌。这些令牌与统计描述符一起，通过门控交叉注意力模块注入到冻结的LLM中，使模型能够有效地利用外部时空证据。在城市和物理动力学数据集上的实验表明…
-
新框架使用Koopman算子模拟非线性延迟动力学
研究人员开发了一个新颖的框架，用于近似非线性延迟微分方程（DDEs）的Koopman算子。该方法通过采用历史离散化和基于核的重构算子，弥合了无限维DDE动力学与有限维Koopman学习之间的差距。该方法利用基于核的扩展动态模式分解（kEDMD），为预测提供确定性误差界限，将误差分解为离散化、核插值和回归的贡献。数值实验证实了该框架可靠预测非线性延迟系统的能力，预示着其在未来控制系统中的潜在应用。
-
自动驾驶规划器使用流匹配进行实时控制
研究人员开发了一种新的用于自动驾驶的流匹配规划器，可以直接生成包括加速度和曲率剖面在内的控制轨迹。该模型以周围环境的鸟瞰图表示为条件，并能以低延迟推理生成控制序列，适合实时重新规划。该规划器仅在城市场景下进行训练，并证明了对多车道高速公路和未见过的城市环境等分布外环境的可靠泛化能力。
-
新方法利用积分-微分方程稳定无人机运动
研究人员开发了一种利用分布式反馈控制稳定无人机运动的新方法，该方法涉及具有潜在无界记忆的积分算子。该方法通过将积分-微分方程简化为常微分方程组来对其进行研究。所提出的方法，特别是在使用指数核时，增强了稳定能力，并已应用于无人机飞行稳定，得出了关于指数稳定性的新结果。
-
Liquid Neural Networks 为大型语言模型提供低计算量替代方案
Liquid Neural Networks (LNNs) 通过利用基于常微分方程 (ODEs) 的连续时间动力学，而不是离散符号处理，为大型语言模型 (LLMs) 提供了一种替代方案。与 LLMs 不同，LNNs 会根据输入动态调整其隐藏状态和时间常数，使其能够以显著更少的计算能力处理嘈杂的连续数据。这使得 LNNs 特别适用于机器人和边缘设备等实际应用，在这些应用中，低功耗和对不规则时间序列数据的有效处理至关重要。
-
新的混合框架使用神经网络学习物理 ODE
研究人员开发了一种新颖的混合框架，该框架将神经网络与基于物理的常微分方程 (ODE) 相结合来建模动态系统。当某些 ODE 组件未知且仅可测量状态变量的子集时，此方法特别有用。该方法在通过 Rauch--Tung--Striebel (RTS) 平滑器估计潜在状态与然后使用这些平滑轨迹通过反向传播训练神经网络参数之间进行交替。在基准系统上的评估表明，该框架能够从不完整的数据中学习缺失的 ODE 组件，同时还能改进潜在状态重建和长时预测。
-
LLM驱动的代理通过符号回归发现生物ODE
研究人员开发了MEDA，一个结合大型语言模型（LLMs）和符号回归的系统，用于自动发现生物系统的常微分方程（ODEs）。这个代理框架可以检索背景知识、定义变量、生成约束条件，并提出、拟合和评估候选ODE。在包括模型检索和外推在内的各种任务上的评估表明，MEDA能够恢复正确的状态变量并生成生物学上合理的模型，突显了知识引导的形式化和机械约束的重要性。
-
新的神经网络训练方案利用梯度流和Lojasiewicz理论
研究人员开发了一种新的神经网络训练方案，该方案利用解析激活函数并基于梯度流。该方法通过Lojasiewicz理论保证收敛性，通过求解常微分方程来近似网络系数，从而简化了实现。该方法已在参数化问题上进行了测试，成功地重现了常微分方程解对参数的依赖性，并合理地近似了具有波动约束的逆问题的解，即使在病态区域也是如此。
-
PINN算法增强降落伞绳索展开分析 · 追踪2个来源
研究人员开发了一种物理信息神经网络（PINN）算法来预测降落伞悬挂绳展开过程中的张力。与传统的常微分方程积分技术相比，该方法提供了更高的计算效率和准确性。研究还探讨了绑带参数对动态绳索张力的影响，并通过与飞行试验数据的对比验证了PINN框架的有效性。
-
新的图信号流模型提供了增强的稳定性
研究人员分析了用于图信号生成的连续归一化流模型，证明了在连续时间常微分方程及其离散近似中都保持了排列等变性。该研究推导了显式的稳定性界限，以量化结构扰动如何影响采样信号。为了增强鲁棒性，引入了一种促进稳定性的正则化流匹配策略，该策略在训练期间会惩罚向量场的空间 Lipschitz 常数。
-
LLM-guided framework discovers ODEs from aggregate data
研究人员开发了AgentODE，一个新颖的框架，旨在从聚合数据中发现常微分方程（ODE）结构并推断参数分布，特别适用于个体数据稀少且受隐私限制的罕见病。该系统利用大型语言模型（LLM）提出ODE结构，并利用一个推理代理仅使用群体级汇总统计数据来优化参数分布。AgentODE已证明其在各种基准问题和临床数据集（包括一项罕见病研究）中恢复功能一致的ODE结构的能力，为数据受限场景下的机制建模开辟了新途径。
-
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。
-
新理论界定常微分方程从解数据中识别的界限
研究人员开发了一个新的理论框架，用于从解数据中识别控制方程，解决了科学机器学习中的一个基本挑战。该方法引入了Hausdorff距离作为比较微分方程的度量，能够表征方程可以唯一且稳定地识别的条件。这项工作提供了可识别性界限并分析了样本复杂度，量化了可靠恢复各种常微分方程类别下底层方程所需的观测数量。
-
LLM-ACES框架使用大型语言模型发现动力学系统
研究人员开发了LLM-ACES，一个新颖的框架，它使用大型语言模型通过搜索常微分方程（ODEs）来指导动力学系统的发现。这个闭环系统优化了符号假设的构建和自适应数据的获取。通过划分搜索空间并利用模型分歧来指导数据收集，LLM-ACES迭代地改进其对底层动力学的理解。该系统在ODEBench和ODEBase数据集上表现出显著的改进，在平均均方误差（NMSE）中值和符号准确性方面，其性能比现有方法高出几个数量级。
-
新的SINDy方法从嘈杂、多保真度数据中发现动力学系统
研究人员开发了一种名为Multi-Fidelity SINDy的新方法，用于从具有不同噪声和保真度级别的数据中发现非线性动力学系统。该方法通过结合Ensemble SINDy和Weak SINDy以及源自广义最小二乘法的加权回归，扩展了现有的非线性动力学系统稀疏识别（SINDy）框架。该方法已在包括常微分方程和偏微分方程在内的基准系统上得到验证，并证明了其在预测双摆系统动力学方面的有效性。研究结果表明，这种多保真度集成可以通过减轻异方…
-
新界限改进了物理信息神经网络的误差估计
研究人员开发了用于估计物理信息神经网络 (PINNs) 误差的新方法，PINNs 通过将机器学习与物理定律相结合来求解微分方程。这项工作为常微分方程中的 PINN 误差引入了可计算的下界，是对现有上界的补充。该框架为 PINN 近似提供了严格且实用的误差证书，指定了可以验证假设的域和模型类别。