SOLIS：面向非线性系统的可解释神经代理模型的物理信息学习
机器学习
2026-04-17 v1 人工智能
系统与控制
系统与控制
摘要
非线性系统识别必须在物理可解释性与模型灵活性之间进行权衡。经典方法产生结构化、控制相关的模型，但依赖刚性参数形式，往往无法捕捉复杂非线性；而神经常微分方程 (Neural ODE) 则具有高度表达力但基本上是黑箱。物理信息神经网络 (PINN) 位于这两个极端之间，但逆 PINN 通常假设已知的统治方程并具有固定系数，导致在真实动力学未知或状态相关时出现可识别性失败。我们提出 SOLIS，通过一种 state-conditioned 二阶代理模型来建模未知动力学，并将识别重新表述为学习准线性参数可变 (Quasi-Linear Parameter-Varying, Quasi-LPV) 表示，恢复可解释的自然频率、阻尼和增益，而无需预先假设全局方程。SOLIS 将轨迹重建与参数估计解耦，并通过循环 curriculum 和 Local Physics Hints 窗口化岭回归锚定来稳定训练。基准实验显示，SOLIS 实现了准确的参数流形恢复和从稀疏数据中获得的有物理意义的滚动，包括标准逆方法失败的情形。
引用
@article{arxiv.2604.14879,
title = {SOLIS: Physics-Informed Learning of Interpretable Neural Surrogates for Nonlinear Systems},
author = {Murat Furkan Mansur and Tufan Kumbasar},
journal= {arXiv preprint arXiv:2604.14879},
year = {2026}
}
备注
in the International Joint Conference on Neural Networks, 2026