RefreshNet：通过分层刷新学习多尺度动力学
机器学习
2024-01-25 v1 人工智能
摘要
预测复杂系统的动力学，尤其是长期预测，持续受到误差累积和计算负担的阻碍。本研究提出了 RefreshNet，一个为克服这些挑战而开发的多尺度框架，在计算效率和预测精度之间实现了前所未有的平衡。RefreshNet 结合卷积自编码器以识别捕捉动力学本质特征的降阶隐空间，并在该隐空间内策略性地采用多个在不同时间分辨率上运行的循环神经网络（RNN）模块，从而允许在多个时间尺度上捕捉隐动力学。RefreshNet 中独特的“刷新”机制允许较粗的模块重置较细模块的输入，有效地控制和缓解误差累积。这种设计在计算效率和预测精度方面展现出优于现有技术的优越性，尤其是在长期预测中。该框架使用三个基准应用进行了验证：FitzHugh-Nagumo 系统、反应扩散方程和 Kuramoto-Sivashinsky 动力学。RefreshNet 在长期预测的准确性和速度上显著优于最先进的方法，标志着复杂系统建模的重大进步，并为理解和预测其行为开辟了新途径。
引用
@article{arxiv.2401.13282,
title = {RefreshNet: Learning Multiscale Dynamics through Hierarchical Refreshing},
author = {Junaid Farooq and Danish Rafiq and Pantelis R. Vlachas and Mohammad Abid Bazaz},
journal= {arXiv preprint arXiv:2401.13282},
year = {2024}
}