标签
本文介绍了响应重整化，一种通过解决近奇异雅可比矩阵问题来提高深度平衡模型训练稳定性的反向传播框架，并在各种多物理场应用中进行了验证。
本文研究了在学习到的潜在世界模型中如何认证守恒定律，提出了有界时域，通过可测量的模型缺陷可提前保证轨迹在物理不变水平集上保持多少步。
本文提出PE-MHL，一种物理编码模块化混合层框架，通过数据驱动子模型逐步优化基于物理的模型，提供理论收敛保证，并在控制基准测试中优于单一网络。
研究人员提出了一种物理信息机器学习（PIML）框架，将水文约束整合到LSTM损失函数中，以改善短期洪水预报，特别是在数据稀缺的情况下。一种“趋势对齐”约束确保了降水与流量趋势之间的一致性，提高了纳什-苏特克利夫效率，并消除了极端事件期间的非物理预测。
本文提出了一种新颖的深度学习方法来预测微流控装置中的惯性升力，无需显式几何参数，与以前的模型相比，该方法能够更好地泛化到未见过的通道横截面。
本文提出了一种主动学习框架，将高保真 Modelica 仿真与更简单的代理模型（SINDyC、FNN、GRU）相结合，以创建高效的热能分配系统数字孪生。该方法在保持预测精度和实现不确定性量化的同时，显著减少了所需的仿真轨迹数量。