PDE に関する報道

この論文では、偏微分方程式 (PDE) の許容可能な連続潜在表現を学習するために、科学的帰納バイアス (スパース性、論理的依存性、物理的許容性など) をトレーニング分布に直接埋め込むことを提案します。特定のデータセットまたは明示的な監視に依存した以前の PDE 表現学習方法と比較して、この論文では、仮説空間の構造的制約をトレーニング データ生成プロセスに転送し、モデルが結合された仮説空間を探索できるようにします。これは、科学的発見における「許容可能な仮説」の幾何学的構造を暗黙的にエンコードできることを意味し、これにより手動の注釈や完全なシミュレーション データへの依存が軽減される可能性があります。実際の PDE 検出タスクでの検証に注目する価値があります。