BlinDNO：一种用于从无时间标签数据重建动态系统的分布性神经算子
机器学习
2025-11-18 v1 计算工程、金融与科学
动力系统
摘要
我们研究了在无时间标签的情形下，对随机动力学系统和量子动力学系统的逆问题。该情形下仅获得无序的密度快照，这些快照的采样时间未知且来自观测时间分布。这些观测数据在状态密度上诱导出一个分布，我们旨在从中恢复潜在演化算子的参数。我们将其表述为学习分布到函数的神经算子，提出了 BlinDNO—a一种不变于排列的架构，将多尺度 U-Net 编码器与注意力机制混合器集成在一起。对广泛的随机系统和量子系统进行数值实验，包括 3D 蛋白折叠机制在冷冻电子显微镜情境下的重建，表明 BlinDNO 可靠地恢复支配参数，并持续优于现有的神经逆算子基线方法。
引用
@article{arxiv.2511.12316,
title = {BlinDNO: A Distributional Neural Operator for Dynamical System Reconstruction from Time-Label-Free data},
author = {Zhijun Zeng and Junqing Chen and Zuoqiang Shi},
journal= {arXiv preprint arXiv:2511.12316},
year = {2025}
}