PIMRL：用于爆发采样时空动力学的物理信息多尺度循环学习
机器学习
2025-12-16 v4 人工智能
摘要
深度学习在建模复杂时空动力学方面展现出强大潜力。然而，大多数现有方法依赖密集且均匀采样的数据，而由于传感器和成本限制，这在实践中往往不可用。在许多真实场景中，如移动感知和物理实验，数据以爆发方式采样——短时高频片段后跟长间隔——使得从稀疏观测中学习准确动力学变得困难。为此，我们提出了物理信息多尺度循环学习（PIMRL），一个专为爆发采样时空数据设计的新型框架。PIMRL 结合了宏观尺度潜动力学推断与由偏微分方程（PDE）的不完整先验信息引导的微观尺度自适应细化。它进一步引入了时间消息传递机制，以有效跨爆发间隔传播信息。这种多尺度架构使 PIMRL 即使在严重数据匮乏的情况下也能准确建模复杂系统。我们在五个涉及 1D 至 3D 多尺度 PDE 的基准数据集上评估了我们的方法。结果表明，PIMRL 一致优于最先进基线，在最具挑战性的设置中实现了显著改进，将误差降低高达 80%，展示了我们模型的明显优势。我们的工作证明了物理信息循环学习在稀疏时空系统准确高效建模中的有效性。
引用
@article{arxiv.2503.10253,
title = {PIMRL: Physics-Informed Multi-Scale Recurrent Learning for Burst-Sampled Spatiotemporal Dynamics},
author = {Han Wan and Qi Wang and Yuan Mi and Rui Zhang and Hao Sun},
journal= {arXiv preprint arXiv:2503.10253},
year = {2025}
}
备注
To appear in AAAI 2026