学习动力系统中未观测状态的控制方程
内容提要
本文探讨了数据驱动框架和神经网络在预测复杂非线性时空过程中的研究进展，重点介绍了神经常微分方程（Neural ODEs）在动态系统建模、控制策略优化和不确定性量化中的应用，展示了其在多种数据集上的有效性和优势。
延伸解读
从数据中自动发现方程：MathONet 的突破
文章介绍了 MathONet，一种基于类神经网络的数学运算网络，能够从受限的数学操作中提取子图，从而发现常微分方程和偏微分方程。这种方法无需先验知识，为数据驱动的方程发现提供了新途径，尤其适用于复杂非线性时空过程的建模。
不确定性量化：贝叶斯深度学习与神经常微分方程的结合
文章探讨了如何通过贝叶斯深度学习技术对神经常微分方程进行不确定性量化，并在低维 ODE 和高维偏微分方程上验证了有效性。此外，还展示了在 MNIST 数据集上使用多种 MCMC 采样器成功集成神经 ODE 的实验，以及变分推理与标准化流和神经 ODE 的整合，生成了强大的贝叶斯神经 ODE 对象。
神经控制微分方程：解决轨迹调整难题
文章提出了神经控制微分方程模型，解决了常规微分方程建模时无法针对后续观察调整轨迹的问题。该模型在多个数据集上实现了与其他神经网络模型相当的最佳性能，为时间动态建模提供了更灵活的框架。
基于 ODE 的 RNN：处理不规则采样时间序列
文章介绍了一种基于 ODE 的 RNN 模型，能够在较短的训练时间内学习具有不规则采样率的连续时间序列，并且计算效率更高、精度更高、设计更简单。这为处理现实世界中常见的不规则时间序列数据提供了有效工具。
Q&A
神经常微分方程（Neural ODEs）在动态系统建模中的应用是什么？
神经常微分方程用于从时间序列数据中恢复动态和因果结构，优化控制策略，并进行不确定性量化。
MathONet是什么，它的功能是什么？
MathONet是一种基于类神经网络的数学运算网络，能够从受限的数学操作中提取子图，以发现常微分方程和偏微分方程。
如何通过贝叶斯深度学习技术对神经常微分方程进行不确定性量化？
通过整合贝叶斯学习框架，使用轻量级机器学习方法对神经常微分方程进行不确定性量化，研究其在低维ODE和高维偏微分方程上的有效性。
基于高斯过程矢量场的非参数ODE建模方法有什么优势？
该方法能够在没有先验知识的情况下学习任意连续时间系统的基本动力学，并利用稀疏数据推断未来动态。
神经控制微分方程模型解决了什么问题？
该模型解决了常规微分方程建模时无法针对后续观察调整轨迹的问题，展示了在多个数据集上的最佳性能。
基于ODE的RNN模型的特点是什么？
基于ODE的RNN模型能够在较短的训练时间内学习不规则采样率的连续时间序列，且计算效率和精度更高。
