neural-ode

The paper presents a controlled matched-integrator evaluation of Hamiltonian Neural Networks against a parameter-matched baseline on pendulum and Kepler dynamics, showing significant reductions in energy drift and trajectory error. It also examines the behavior of Störmer–Verlet-style rollouts with learned non-separable Hamiltonians.

本文提出了一种基于神经ODE的正则化方法，该方法强制强化学习智能体中的潜在嵌入遵循一致的ODE流，使表示学习与环境动态对齐，并在Atari和网格世界基准上取得了性能提升。

介绍HyperODE，一种零样本替代模型，将ODE结构映射到超图，无需重新训练即可对整类动力系统进行仿真和参数推断。

本文介绍了PCINN，一种混合AI代理模型，用于实时空间原子层沉积（SALD）覆盖率预测，在约77毫秒内实现CFD级精度，并通过可辨识性分析实现可靠的动力学反演。

本文提出了一种新颖的方法，将图神经网络与增强神经常微分方程（GNODE）相结合，用于稳定且准确地预测非定常翼型气动力学的时空变化，在跨声速激波和非线性动力学测试中优于自回归基线方法。

本文介绍了OAT，一种用于基于LLM的智能体系统的轻量级故障归因工具。它仅使用成功轨迹进行训练，并利用神经控制微分方程检测错误步骤，在速度和精度上以数量级优势超越昂贵基线。

本文介绍了GNOVA，一种GRU-神经常微分方程变分自编码器框架，用于从常规临床数据中重建和预测阿尔茨海默病的认知轨迹，无需昂贵的神经影像或生物标志物，在ADNI数据集上实现了低误差和不确定性估计。

本文介绍了齐性空间上的可转向神经常微分方程，为学习连续时间的等变动力学提供了一个几何框架。

FFJORD 引入了一种可扩展的可逆生成模型，使用连续动力学和 Hutchinson 迹估计器实现无偏对数密度估计，无需架构约束。该方法在密度估计和图像生成方面达到了最先进的结果，同时保持高效的采样。