相关实验视频
Updated: Jan 17, 2026

A Quantitative Fitness Analysis Workflow
Published on: August 13, 2012
通过符号回归来学习可解释的PDE解决方案的适应性标准的选择
Benjamin G Cohen1,2, Burcu Beykal1,3, George M Bollas1,2
1University of Connecticut, Department of Chemical and Biomolecular Engineering, Storrs, CT, USA.
物理信息符号回归 (PISR) 有效地发现可解释的部分微分方程 (PDE) 解决方案. 贝叶斯信息标准 (BIC) 集成提高了模型的准确性和可解释性,优于其他指标.
科学领域:
- 计算物理 计算物理
- 应用数学 应用数学 应用数学
- 机器学习 机器学习
背景情况:
- 部分微分方程 (PDEs) 模型复杂的物理现象.
- 发现人类可解释的PDE解决方案是一个重大挑战.
- 物理信息符号回归 (PISR) 将物理定律集成到可解释模型的符号回归中.
研究的目的:
- 在PISR框架内评估不同的健身指标,以发现PDE解决方案.
- 评估信息理论标准 (如BIC) 对模型忠实性和可解释性的影响.
- 确定最佳策略,以发现数学上可识别的PDE解决方案.
主要方法:
- 实施了一个PISR框架,评估三个健身指标:PDE健身,贝叶斯信息标准 (BIC) 和模型概率.
- 在拉普拉斯方程,汉堡方程和非线性波形方程上测试了框架.
- 分析了复杂性约束,如贝叶斯D-优度,对解决方案准确性的影响.
主要成果:
- 基于BIC的PISR表现出卓越的性能,产生高的R平方值 (0.998为Burgers',0.957为非线性波形方程).
- BIC集成导致了更高保真度的模型,同时保持了可解释性.
- 贝叶斯D-最佳性标准过度限制了复杂性,降低了准确性.
结论:
- 像BIC这样的信息理论标准对于加强PISR是有价值的.
- 对于可识别的PDE解决方案,将简单的复杂度指标与后期分析相结合的两阶段方法可能是最佳的.
- 带有BIC的PISR为发现准确和可解释的PDE解决方案提供了一个有前途的途径.
更多相关视频
06:45Design and Application of a Fault Detection Method Based on Adaptive Filters and Rotational Speed Estimation for an Electro-Hydrostatic Actuator
Published on: October 28, 2022
03:37Author Spotlight: Impact of Intergenic Interactions on Disease-Identifying Dark Biomarkers
Published on: March 1, 2024
相关概念视频
Differential Equations: Problem Solving
Separable Differential Equations
Linear Differential Equations
Modeling with Differential Equations
Mechanistic Models: Compartment Models in Algorithms for Numerical Problem Solving
In individual population analyses, different algorithms are employed, such as Cauchy's method, which uses a...
Implicit Differentiation: Problem Solving