面向自然系统数字孪生体的数值流网络模型适配
机器学习
2026-04-23 v1 系统与控制
系统与控制
摘要
自然系统的数字孪生体必须与随时间演化、仅部分被观测且通常由机制模拟器建模（其参数无法直接测量）的物理系统保持一致。在此情境下，模型适配自然地表述为仿真基于推断的问题。然而，稀疏和间接观测常常难以唯一确定最优校准，留下多个与可用证据兼容的模拟器参数化方案。本文提出一种基于 GFlowNet 的方法，用于自然系统数字孪生体的数值流网络模型适配。我们将适配表述为完整模拟器配置上的生成模型，使得可随概率比例从奖励（由仿真行为与观察行为的一致性得出）对齐的合理参数化方案可以被采样。基于由机制番茄模型构成的受控环境农业案例研究，我们展示所学策略恢复适配景观的主导区域、检索强校准假设，并在不确定性下保持多个可行配置。
引用
@article{arxiv.2604.20707,
title = {Generative Flow Networks for Model Adaptation in Digital Twins of Natural Systems},
author = {Pascal Archambault and Houari Sahraoui and Eugene Syriani},
journal= {arXiv preprint arXiv:2604.20707},
year = {2026}
}
备注
Under Review