物理约束下从有限且噪声数据中稳健地学习开放式偏微分方程
原文中文，约300字，阅读约需1分钟。发表于：。通过 R-DISCOVER 框架，本研究提出了一种从有限且嘈杂数据中稳健地揭示开放式偏微分方程（PDE）的方法，该框架通过发现和嵌入两个交替更新过程进行操作，并通过符号表示和强化学习指导的混合 PDE 生成器高效地生成具有树结构的多样化开放式 PDE，实验证明该框架能够优于其他基于物理知识的神经网络发现方法，从有限的嘈杂数据中揭示非线性动态系统的控制方程，为探索限制了理解的实际系统开辟了新的潜力。
该文介绍了一种新颖的网格无关模型，用于从具有噪声和部分观测的不规则时空网格中学习偏微分方程。该模型具有高效的概率框架和新颖的编码器设计，能够对复杂的部分观测动态过程进行稳健、网格无关的建模。
