Noticias sobre PDE

Este artículo propone incorporar sesgos de inducción científica (escasez, dependencia lógica, aceptabilidad física, etc.) directamente en distribuciones de entrenamiento para aprender representaciones latentes continuas aceptables de ecuaciones diferenciales parciales (PDE). En comparación con los métodos de aprendizaje de representación PDE anteriores que se basaban en un conjunto de datos determinado o en una supervisión explícita, este artículo traslada las restricciones estructurales del espacio de hipótesis al proceso de generación de datos de entrenamiento, lo que permite que el modelo explore el espacio de hipótesis combinado. Esto significa que la estructura geométrica de las "hipótesis aceptables" en el descubrimiento científico puede codificarse implícitamente, lo que puede reducir la dependencia de anotaciones manuales o datos de simulación completos. Vale la pena prestar atención a su verificación en tareas reales de descubrimiento de PDE.