PAINT：面向动态系统重构的并行-in-time神经双胞胎

神经替代品在仿真动态系统方面显示出巨大的潜力，同时提供了实时能力。我们设想，神经双胞胎是神经替代品的下一步，旨在创建真实系统的数字复制品。神经双胞胎在测试时间消耗测量来更新其状态，从而实现特定情境下的决策。我们认为，神经双胞胎的关键属性是其能够保持在轨（on-trajectory），即随时间靠近真实系统状态。我们引入并行-in-time神经双胞胎（PAINT），这是一种用于从测量中建模动态系统的框架无关方法族。PAINT训练一个生成神经网络，沿时间并行建模状态分布。在测试时间，以滑动窗口方式从测量预测状态。我们的理论分析表明，PAINT是on-trajectory的，而自回归模型通常不是。经验上，我们在一个具有挑战性的二维湍流流体动力学问题上评估了本方法。结果表明，PAINT保持在轨，并以高保真度从稀疏测量预测系统状态。这些发现凸显了PAINT开发能够保持在轨的神经双胞胎的潜力，使其能够更准确地进行状态估计和决策。