Recovering Implicit Physics Models Under Real-World Constraints

💡 原文英文,约100词,阅读约需1分钟。
📝

内容提要

本研究提出了一种新颖的液体时间常数神经网络(LTC-NN)架构,旨在从现实世界数据中恢复物理驱动模型。该方法有效应对低采样率和扰动时序误差,提高了隐式物理模型系数的恢复精度,并在医学等多个实际案例中展示了其有效性。

🏷️

标签

➡️

继续阅读