动力系统的循环深度核学习
机器学习
2024-11-12 v3 机器学习
摘要
数字孪生需要计算高效的降阶模型（ROM），能够准确描述物理资产的复杂动力学。然而，从含噪声的高维数据构建降阶模型具有挑战性。在这项工作中，我们提出了一种数据驱动的非侵入式方法，利用随机变分深度核学习（SVDKL）从数据中发现低维潜在空间，并使用SVDKL的循环版本来表示和预测潜在动力学的演化。所提出的方法通过两个具有挑战性的例子——双摆和反应扩散系统——进行了演示。结果表明，我们的框架能够：（i）去噪和重构测量数据，（ii）学习系统状态的紧凑表示，（iii）在低维潜在空间中预测系统演化，以及（iv）量化建模不确定性。
引用
@article{arxiv.2405.19785,
title = {Recurrent Deep Kernel Learning of Dynamical Systems},
author = {Nicolò Botteghi and Paolo Motta and Andrea Manzoni and Paolo Zunino and Mengwu Guo},
journal= {arXiv preprint arXiv:2405.19785},
year = {2024}
}