从部分观测进行的时空连续物理模拟
内容提要
本文综述了连续时空数据驱动建模的最新进展，涵盖算子学习建模框架、偏微分方程与神经网络结合方法、LSTM压力场预测、网格无关的潜在神经PDE模型、不规则采样时空过程的深度学习预测、机器学习连续形式、从分子模拟自动发现连续体模型、基于图的Transformer时序预测以及DINo隐式神经表示方法。这些方法在长期模拟稳定性、泛化性、可解释性及处理稀疏不规则数据方面表现优越。
延伸解读
分辨率不变性：从固定网格到连续建模
文章提出的连续时空数据驱动建模框架通过三个数值实例验证了分辨率不变性，即模型性能不依赖于训练或测试时使用的空间网格分辨率。这与传统数值模拟或网格依赖的神经网络方法形成对比，后者通常需要固定离散化。对于读者而言，这意味着模型有望在不同尺度的观测数据间迁移，减少因网格变化而重新训练的成本，但文章未说明该性质在极端分辨率差异下的表现。
短期数据驱动长期稳定模拟的潜力与条件
文章展示了仅使用短期时间序列数据即可进行稳定长期模拟的能力，并指出通过混合优化方案结合短期和长期数据，模型能更好地预测长期统计数据。这暗示了数据效率方面的优势，但读者需注意：稳定长期模拟可能依赖于模型结构或训练策略，文章未讨论在混沌系统或强非线性场景下的长期误差累积问题，实际应用时仍需验证外推可靠性。
部分观测与不规则网格：方法演进与可解释性权衡
综述涵盖的多种方法针对部分观测和不规则采样场景，如潜在神经PDE模型处理噪声和部分观测、DINo从稀疏不规则网格学习、以及基于偏微分方程推导的连续时间模型具有可解释性。这些进展表明数据驱动建模正从规则网格向更现实的不规则观测扩展。但不同方法在可解释性与泛化性之间存在权衡，例如纯深度学习模型虽灵活但解释困难，而基于方程假设的方法可纳入先验知识却可能受形式限制。
Q&A
有哪些方法可以从部分观测数据中学习时空连续物理模型？
文章综述了多种方法，包括：算子学习建模框架、偏微分方程与神经网络结合方法、LSTM压力场预测、网格无关的潜在神经PDE模型、不规则采样时空过程的深度学习预测、机器学习连续形式、从分子模拟自动发现连续体模型、基于图的Transformer时序预测以及DINo隐式神经表示方法。
潜在神经PDE模型如何实现网格无关的建模？
该模型采用空时连续潜在神经偏微分方程框架，具有高效的概率框架和新颖的编码器设计，以提高数据效率和网格独立性。潜在状态动态由结合格点法和线法的偏微分方程模型控制，并采用分摊变分推断进行近似后验估计，利用多射击技术提高训练速度和稳定性。
DINo方法在模拟PDE流场时有什么优势？
DINo通过隐式神经表示在小的潜空间中独立嵌入空间观测数据，在由学习ODE驱动的时间中灵活处理时间和空间。它可以在任意时间和空间位置外推，并且可以从稀疏的不规则网格或流形中学习，在测试时可以推广到新的网格或分辨率，在代表性PDE系统上的各种泛化场景中优于替代的神经PDE预测模型。
如何利用短期时间序列数据进行稳定的长期模拟？
文章提出的连续时空数据驱动建模框架通过三个数值实例验证了其分辨率不变性，并展示了仅使用短期时间序列数据进行稳定长期模拟的能力。此外，通过混合优化方案结合短期和长期数据，模型能更好地预测长期统计数据。
基于图的Transformer模型如何用于流体力学预测？
该模型采用类Transformer的时序关注模型来捕捉长期的依赖关系，利用编码器-解码器结构来总结特征和创建系统状态的紧凑网格表示，并在几个复杂的流体力学预测任务中优于竞争性GNN基线，可以帮助解决高维物理问题的序列建模。
机器学习连续形式框架有什么用途？
该框架作为经典数值分析中变分计算与微分积分方程问题的解决方法，演示了如何通过离散化来恢复传统的机器学习模型和算法，同时展示了从这种连续形式自然产生的新模型和新算法，并讨论了如何在这个框架下研究泛化误差和隐式正则化问题。
