Исследователи представили метод «Freeze, Then Select» для автоматического поиска дифференциальных уравнений в частных производных (PDE) на основе ограниченных наблюдений. Алгоритм разделяет процессы обучения нейронной сети и выбора математических членов уравнения, что позволяет избежать нестабильности оптимизации и повысить точность идентификации физических законов в условиях нехватки данных.
В основе подхода лежит анализ траекторий оптимизации, который выявил три сценария поведения нейросетевых моделей при поиске уравнений: устойчивое сохранение правильной структуры, кратковременное появление верных членов или полное отсутствие сходимости к истинной модели. Авторы предложили использовать структурированные адаптеры полей и механизм валидации стабильности, чтобы отделить задачу аппроксимации непрерывного поля от задачи выбора дифференциальных операторов.
Такое разделение позволяет фиксировать веса нейронной сети после достижения определенного уровня аппроксимации, переключаясь на селекцию наиболее значимых членов уравнения. Это минимизирует риск «зашумления» модели лишними параметрами и повышает надежность восстановления динамических систем в физике, биологии и инженерии, где данные часто фрагментарны или зашумлены.
Ключевые факты
- Метод «Freeze, Then Select» решает проблему нестабильности при поиске PDE из разреженных данных.
- Алгоритм разделяет обучение нейросетевой аппроксимации и отбор дифференциальных членов уравнения.
- Анализ показал, что стандартные методы часто не могут удержать правильную структуру уравнения до конца обучения.
- Использование структурированных адаптеров полей повышает точность идентификации физических законов.
- Подход позволяет эффективно работать с данными, где наблюдений недостаточно для классических численных методов.