非线性降阶建模中的潜在动态学习
内容提要
本文提出了一种新型的潜在动态网络架构，结合深度学习和降维技术，能够高效预测时空动态响应。研究展示了基于图卷积自编码器的非线性降阶模型，强调了深度学习在复杂偏微分方程处理中的应用。通过数据驱动的方法，构建了简化模型，显著提升了高维非线性问题的准确性和效率。
延伸解读
从方程求解到数据驱动：降阶建模的范式转变
传统基于方程的方法需要大规模并行计算平台和大量计算成本，而本文提出的Latent Dynamics Network等数据驱动方法，通过降维和深度学习构建低维潜在空间，直接预测时空动态响应。这种范式转变避免了求解高维偏微分方程的昂贵计算，为科学创新提供了高效工具，尤其适用于外部输入下的复杂系统演化预测。
图卷积自编码器：处理无结构网格的利器
针对无结构网格上的非参数偏微分方程解，本文介绍了基于图卷积自编码器的非线性降阶框架。它利用图神经网络对解进行编码降维，实现了对物理和几何参数化设置下线性/非线性、标量/矢量问题的快速评估。这种高度通用的数据驱动方法，为复杂几何区域上的降阶建模提供了新途径。
理论指导实践：深度自编码器潜在维度的选择
深度自编码器在降阶建模中应用广泛，但潜在维度的选择缺乏理论指导。本文通过理论分析，为随机领域参数化问题中深度自编码器的潜在维度选择提供了实用指导，并数值验证了理论分析对DL-ROMs性能的重大影响。这有助于领域专家更科学地设计降阶模型，避免盲目调参。
稀疏化与正则化：提升效率与精度的新策略
本文提出多步算法，通过在编码器-解码器网络中引入稀疏性，减少参数数量和潜在空间维度，并利用Jerk正则化增强时空预测的精度和收敛速度。在1D扩散、1D平流和2D反应扩散模型上，该方法在保持相似准确性的同时，减少了30%的参数数量。这些策略为高效降阶建模提供了实用技术。
Q&A
Latent Dynamics Network的主要功能是什么？
Latent Dynamics Network能够高效预测时空动态响应，结合降维和深度学习算法描述系统演化的低维潜在空间。
图卷积自编码器在非线性降阶模型中起什么作用？
图卷积自编码器用于对无结构网格上的非参数偏微分方程解进行编码降维，提升了模型的评估效率。
深度学习如何影响偏微分方程的降阶模型设计？
深度学习显著提升了偏微分方程降阶模型的设计，特别是在处理复杂和随机问题时提供了灵活的降维手段。
深度潜在力模型（DLFM）有什么特点？
DLFM是一种面向领域的方法，能够准确建模高度非线性动力系统并量化不确定性，采用深度高斯过程架构。
如何通过数据驱动的方法构建简化模型？
通过纯数据驱动的工作流程，利用机器学习工具构建分布式动力系统的简化模型，避免了对准确截断Galerkin投影的需求。
引入Jerk正则化对时空预测有什么影响？
引入Jerk正则化增强了时空预测的精度和收敛速度，有助于识别潜在空间坐标。
