仅凭一条轨迹就能反推未知动力学？这个AI方法比传统误差拟合更聪明！
Data-Driven Learning of Unknown Nonlinear Differential Equations Using Functional Analysis
📖 AI 总结
本文提出了一种基于泛函分析与算子理论的数据驱动方法，用于学习未知非线性常微分方程（ODEs）的向量场。该方法无需系统物理先验知识，仅依赖单一状态轨迹数据即可实现模型发现。与传统机器学习方法不同，其核心创新在于两点：一是基于泛函分析构建数学框架，二是将损失函数定义为函数空间中的积分距离，而非离散误差求和。此外，文中还设计了一种增量学习算法，支持在线处理新增训练样本。该方法适用于受迫与无受迫、自治与非自治（含时变）动力系统，并能同时识别未知外力函数与底层动态。数值实验验证了该方法的有效性，展示了其在复杂系统建模中的潜力。
🔑 关键词速览
| Functional Analysis | 泛函分析，研究函数空间及其上算子性质的数学分支，为本文方法提供理论基础。 |
| Operator Theory | 算子理论，研究函数空间之间映射（算子）的数学理论，用于构建学习框架。 |
| Vector Field | 向量场，描述动力系统中状态随时间变化的微分方程右侧函数，是学习的目标。 |
| Incremental Learning | 增量学习，一种在线学习策略，能逐步处理新数据并更新模型，无需重新训练。 |
| Interpretable Machine Learning | 可解释机器学习，强调模型决策过程透明、可理解，区别于黑箱模型。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅