viscous Burgers dynamics

新的“跨度内学习”方法利用自身预测调整AI模型

一篇新研究论文介绍了一种名为“跨度内学习”（in-span learning）的方法，该方法利用降阶模型自身的预测来调整模型。该技术通过重新加权并使模型的内部基向已访问的动力学对齐，从而增强了模型吸收未来修正的能力。该方法已在粘性Burgers方程和Fisher-KPP方程等多种动力学上得到验证，并表明模型生成的轨迹比以往理解的包含更多可用信息。