BriefGPT - AI 论文速递
·
在流形上的概率学习的瞬时各向异性核
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
该文章介绍了一种通过数据驱动的工作流程来构建分布式动力系统的简化模型。该模型使用近似惯性流形理论作为模板，并应用机器学习工具来避免复杂的数学推导。文章还讨论了使用流形学习技术来发现合适的潜在变量集并进行可解释性测试的方法。该方法可以用不同的坐标表示模型。文章还介绍了黑盒模型和灰盒模型，并使用反应扩散和耗散偏微分方程来测试整个框架。
🎯
关键要点
- 通过数据驱动的工作流程构建分布式动力系统的简化模型（ROMs）。
- 所采用的ROMs受近似惯性流形（AIMs）理论启发。
- 应用机器学习工具避免复杂的数学推导。
- 使用流形学习技术发现合适的潜在变量集并进行可解释性测试。
- 模型可以用不同的坐标表示，包括理论的、线性数据驱动的和非线性数据驱动的坐标。
- 描述了黑盒模型和灰盒模型，灰盒模型在截断Galerkin投影无法后处理时必要。
- 使用反应扩散和耗散偏微分方程测试整个框架。
➡️
