平滑演化、一致拟合：面向对流占优系统的平滑潜动力学学习

我们提出了一种数据驱动的、时空连续的框架，用于学习由对流占优偏微分方程描述的复杂物理系统的代理模型。这类系统具有衰减缓慢的 Kolmogorov n 宽，阻碍了标准方法（包括降阶建模）以低成本生成高保真模拟。本工作中，我们直接在紧凑表示网络的参数空间上构建基于超网络（hypernetwork）的潜动力学模型。我们利用网络的表达能力和一种专门设计的一致性诱导正则化，获得既低维又平滑的潜轨迹。这些性质使我们的代理模型在推理时非常高效。我们通过为若干具有挑战性的例子学习模型来展示我们框架的有效性，这些模型相比竞争方法以快得多的推理速度生成准确的多步展开预测。