使用神经隐式流表示典型系统的潜在动力学
机器学习
2024-04-29 v1 人工智能
摘要
最近引入的一类称为神经算子的架构已成为高度通用的工具，可应用于科学机器学习（SciML）领域的广泛任务，包括数据表示和预测。在本研究中，我们研究了神经隐式流（NIF）的能力，这是一种最近开发的与网格无关的神经算子，用于表示典型系统（如Kuramoto-Sivashinsky（KS）方程、受迫Korteweg-de Vries（fKdV）方程和Sine-Gordon（SG）方程）的潜在动力学，并从中提取动态相关信息。最后，我们评估了NIF作为降维算法的适用性，并与另一个广泛认可的神经算子家族——深度算子网络（DeepONets）进行了比较分析。
引用
@article{arxiv.2404.17535,
title = {Using Neural Implicit Flow To Represent Latent Dynamics Of Canonical Systems},
author = {Imran Nasim and Joaõ Lucas de Sousa Almeida},
journal= {arXiv preprint arXiv:2404.17535},
year = {2024}
}
备注
Accepted into the International conference on Scientific Computation and Machine Learning 2024 (SCML 2024)