标签
MIT LIDS 的研究人员开发了一种方法,可将基于物理的约束嵌入混沌系统的机器学习模型中,从而为预测保持在物理上合理的范围内提供形式化保证。该研究成果发表于《美国国家科学院院刊》(PNAS),有望提升气象、气候、航空及工业应用等领域所用模型的可靠性。
一篇将 Transformer 语言模型视为跨越三种“时钟”(层深度、训练、生成)的非线性动力系统的论文,将约 200 项研究浓缩为一部“三时钟词典”,并推导出在 GPT-2 和 Pythia 等开放模型上得到验证的降阶模型。
一篇 arXiv 论文,介绍了 rc_prediction:一个用于参数感知储备池计算(PARC)的开源 Python 软件包,能够从少数几个工作点的数据中学习依赖于参数的动力学,并预测未见过的参数值下的轨迹、分岔和临界转变。
视频讲解外台球系统:从平行四边形球桌的循环、奇点与稳定岛屿,到彭罗斯筝形上的无界轨道,最终引入正多边形密铺的双曲平面,展示简单规则如何产生不可预测的结构。
本文提出了聚类占据核(CLOCK)方法,这是一种基于表示的框架,将动力系统的时间序列嵌入再生核希尔伯特空间(RKHS),通过吸引子之间的最大均值差异实现聚类,并在合成数据和颅内脑电图记录上进行了验证。
这篇arXiv论文从因果视角探索现实的变化模型,将决策框架与动力系统联系起来,以更好地刻画系统随时间演化的过程。
该论文提出 Normalizing Flow Maps(NFM),一种可精确求逆的推前映射族模型,统一了 normalizing flows 与 flow maps,支持高效的精确似然评估与少步生成。在 CIFAR-10、ImageNet-64 条件图像生成以及 Boltzmann Generators 平衡采样任务上,在参数量匹配的条件下达到了 normalizing flows 的最先进水平。
该论文提出CGDT-CESN——一种基于变量相关性引导并进行跨簇权重训练的聚类回声状态网络,用于多变量时间序列预测,在Twitter信息级联与太阳风预测数据集上优于传统ESN。
本文表明,仅依靠零假设对照不足以验证科学发现和可解释性系统,证明了像闭合性这样的验收测试可能被科学上毫无意义的候选结果通过,并提出结合多种标准,既能接受真实结果,又能拒绝零假设结果。
清华团队提出 Controlled-Minimax 框架,将对抗训练动力学建模为二阶常微分方程,并通过设计反馈控制器为极小极大优化提供局部指数稳定性保证,有效抑制生成对抗网络训练中的振荡与极限环问题。
该论文研究了在稀疏噪声传感器观测下,神经代理模型在空间窗口与历史时间之间的输入分配权衡,并通过贝叶斯最优误差分析与 Burgers、Kuramoto-Sivashinsky 方程实验,给出了窗口按场的相关长度设定、输入预算随预测时距调整的设计规则。
该arXiv论文提出了“由几何辐射诱导约束自组织”这一机制,用于描述封闭且远离平衡态系统中的动态有序现象,并在耦合Ricci流系统中的三种几何流中进行了验证。论文引入了一种新颖的“楔形吸引子”拓扑结构,并证明了四个定理,确立了普适的应力累积至分形极限环过程的充分条件。
一篇 NeurIPS 2026 论文提出了 DynaBase——一个用于动力系统零样本重构的极简可解释架构,仅由一个单参数分段仿射映射和一个上下文选择器构成。尽管结构如此简单,它在长期统计特性和短期预测方面却超越了主流的时间序列与动力系统基础模型,并为分析此类模型提供了可处理的数学基础。
一篇 NeurIPS 2026 论文提出了面向动力系统重构的拓扑域外泛化方法,识别出分层 DSR 模型的失效模式,并通过特征拆分与物理稀疏先验加以修复,从而在不显式掌握控制参数的情况下正确预测分岔与动力学体制转变。
论文提出了一种面向动态系统重建的参数隔离型持续学习方法——持续可回收单元门控(Continually-Recyclable Unit-Gating,CRUG),该方法利用L0正则化的可微门控机制在任务之间分配与回收单元,在非线性系统和混沌系统上实现了零遗忘,并在重建能力与持续学习之间取得了良好的权衡。
论文提出了EnJoi,一种用于生成式数据同化的集成联合得分滤波器,能够学习历史状态与未来状态的联合分布,使改进的En4DVar方法得以在当前状态与新增观测之间进行置信度权衡。在流体与交通流仿真上的实验表明,该方法在稀疏、非均匀观测条件下能显著提升状态重构精度。
研究表明,仅在非线性动力系统的受限参数区间上训练的小型自回归Transformer(包括logistic/sine映射、Lorenz系统和Hopf系统),能够外推出远超训练分布范围的全局动力学,复现出直至周期128的倍周期级联,并将Feigenbaum常数精确到5e-4以内;因果干预实验揭示了控制参数信息如何通过注意力机制流向状态预测。
本文研究选择性状态空间模型中的递归是否像Transformer中的注意力一样驱动令牌达成共识,利用动力系统理论分析时变权重矩阵的稳定性和吸引域。
本文介绍了K2SVD,这是一种通过Kalman推断学习Koopman算子表示的原理性方法,以实现高效且准确的时间序列预测,展示了优于现有最先进方法的性能。