Исследователи представили новый метод обучения нейронных дифференциальных моделей, объединяющий физические законы с нейронными сетями. Подход использует сглаживание Рауха-Тунга-Стибеля (RTS) для восстановления скрытых состояний динамических систем, описываемых обыкновенными дифференциальными уравнениями (ОДУ). Это позволяет эффективно моделировать процессы в физике, биологии и нейронауке, даже когда часть динамики системы неизвестна, а измерения доступны лишь для ограниченного набора переменных.
Традиционные методы машинного обучения часто сталкиваются с трудностями при работе с неполными данными в динамических системах. Предложенная архитектура сохраняет известные физические компоненты ОДУ в явном виде, делегируя нейронным сетям аппроксимацию только неизвестных частей динамики. Использование RTS-сглаживания в процессе обучения обеспечивает более точную оценку траекторий системы, минимизируя накопленные ошибки прогнозирования, характерные для стандартных методов обратного распространения ошибки во времени.
Данный фреймворк демонстрирует высокую устойчивость при работе с зашумленными данными и разреженными временными рядами. Интеграция физических ограничений непосредственно в структуру модели позволяет достичь лучшей интерпретируемости результатов и экстраполяции за пределы обучающей выборки, что критически важно для задач научного моделирования, где важна не только точность предсказания, но и соответствие фундаментальным законам природы.
Ключевые факты
- Метод сочетает явные физические уравнения с нейронными аппроксиматорами для описания динамики.
- Алгоритм RTS-сглаживания применяется для реконструкции скрытых переменных состояния системы.
- Фреймворк оптимизирован для работы в условиях, когда измеряется лишь подмножество переменных состояния.
- Подход повышает точность моделирования сложных систем в физике, биологии и нейрофизиологии.