BriefGPT - AI 论文速递
·
强制系统中基于机器学习的不变叶面用于降阶建模
💡
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。同时，文章还探讨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。通过使用Chafee-Infante反应扩散和Kuramoto-Sivashinsky耗散偏微分方程进行测试，该方法取得了成功。
🎯
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）。
- ROMs 受近似惯性流形（AIMs）理论启发，并以此为模板。
- 应用机器学习工具避免了准确截断 Galerkin 投影和推导闭合修正的需求。
- 探讨了使用流形学习技术（如自动编码器和扩散映射）发现潜在变量集并进行可解释性测试的方法。
- 该方法可以用理论、线性和非线性数据驱动的坐标表示 ROMs。
- 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 Chafee-Infante 反应扩散和 Kuramoto-Sivashinsky 耗散偏微分方程成功测试了整个框架。
➡️
