通过频域适应推广到新动力系统
机器学习
2025-07-02 v1 人工智能
机器学习
摘要
利用深度神经网络从数据中学习复杂物理动力学的底层规律显示出巨大的潜力。然而，现有方法在可靠地进行特定领域预测方面受限，难以泛化到由相同一般动力学支配但环境特征不同的未见动力系统。本文提出一种参数高效方法——Fourier Neural Simulator for Dynamical Adaptation (FNSDA)，通过在傅里叶空间进行适应以轻松泛化到新动力系统。具体而言，FNSDA 基于已知环境中的自动分区在傅里叶模态中识别可共享的动力学，并通过条件化于低维潜在系统参数来学习针对每个新环境的特定模态，以实现高效泛化。我们在四个具有代表性的动力系统族上进行评估，结果表明 FNSDA 在显著降低参数成本的同时，实现了优于或与现有方法相当的卓越泛化性能。我们的代码已公开于 https://github.com/WonderSeven/FNSDA。
引用
@article{arxiv.2507.00025,
title = {Generalizing to New Dynamical Systems via Frequency Domain Adaptation},
author = {Tiexin Qin and Hong Yan and Haoliang Li},
journal= {arXiv preprint arXiv:2507.00025},
year = {2025}
}
备注
Accepted by TPAMI 2025