Identificación robusta de momentos para EDP no lineales a través de un enfoque de EDO neuronal

Área de la Ciencia:

• Física Computacional
• Matemáticas Aplicadas
• Aprendizaje Automático

Sus antecedentes:

• Las Ecuaciones Diferenciales Parciales (EDP) rigen sistemas físicos complejos.
• Los métodos tradicionales para aprender la dinámica a partir de datos a menudo requieren observaciones densas y limpias.
• El modelado de orden reducido es crucial para la simulación y el análisis eficientes de sistemas de alta dimensión.

Objetivo del estudio:

• Desarrollar un marco basado en datos para aprender la dinámica de momentos de orden reducido a partir de sistemas regidos por EDP.
• Permitir el modelado dinámico robusto a partir de datos de series temporales dispersos, irregulares y ruidosos.
• Descubrir representaciones interpretables de baja dimensión para sistemas complejos.

Principales métodos:

• Se utilizaron Ecuaciones Diferenciales Ordinarias Neuronales (EDO neuronales) para modelar directamente las trayectorias de momentos.
• Se empleó optimización de la variedad de Stiefel para transformaciones de coordenadas basadas en datos en sistemas que carecen de cierre analítico.
• Se aplicó el marco a sistemas de difusión-reacción no lineales de Schrödinger y Fisher-Kolmogorov-Petrovskii-Piskounov.

Principales resultados:

• El marco de EDO neuronales recupera con precisión la dinámica de momentos a partir de datos limitados, irregulares y ruidosos.
• Descubrió con éxito la dinámica de momentos cerrados en representaciones de baja dimensión para sistemas sin cierre analítico.
• Demostró una precisión de extrapolación superior en comparación con modelos basados en la física en escenarios con datos limitados.

Conclusiones:

• El marco propuesto de EDO neuronales ofrece un enfoque potente y flexible para aprender dinámicas de momentos interpretables y de baja dimensión.
• El método muestra una robustez significativa en entornos con datos limitados, superando a las técnicas tradicionales.
• Permite el modelado y análisis fiables de sistemas complejos regidos por EDP, incluso con observaciones incompletas.