🔥 今日值得一读
长时程PDE预测不再崩！变分潜在马尔可夫算子显著减少误差累积
Stable by Construction: Variational Latent Markov Operators for Long-Horizon PDE Prediction
👨💼 主理人解读 · 为什么值得关注
为长时程物理仿真提供稳定自回归预测，适合科学计算开发者替代易漂移的神经求解器。
📖 AI 总结
该论文针对神经偏微分方程求解器在长时程自回归预测中误差累积与分布漂移的问题，提出了一种变分潜马尔可夫动力学框架。其核心思想是将物理状态表示为潜分布，并通过概率转移在函数空间上直接演化，进而针对函数高斯模型引入结构化潜扰动以诱导谱几何，并利用变分转移对齐正则化学习到的动力学。作者从理论上分析了这些机制对自回归误差传播的影响，建立了变分训练与长时程预测之间的联系，并据此实现了变分自编码马尔可夫算子（VAMO），融合空间分辨潜场、结构化高斯扰动与神经算子转移。在多个流体力学基准上，VAMO在远超训练范围的预测时程中持续降低误差累积、提升 rollout 稳定性，优于多种确定性与噪声注入基线。该工作表明变分建模是提升长时程神经 PDE 动力学鲁棒性的有效补充途径。
🔑 关键词速览
| Variational Latent Markov Operators | 一种在潜在空间中引入马尔可夫动力学并采用变分训练的算子框架，用于长时程偏微分方程预测。 |
| Autoregressive Prediction | 自回归预测，指模型将自身预测结果作为下一步输入进行递归推演，常用于时间序列或动力系统建模。 |
| Neural PDE Solvers | 神经偏微分方程求解器，利用神经网络学习偏微分方程解算子的代理模型，以加速物理仿真。 |
| Functional Gaussian Models | 函数高斯模型，将高斯分布推广到函数空间，用于表示潜在场上的结构化概率分布。 |
| VAMO (Variational Autoencoding Markov Operator) | 变分自编码马尔可夫算子，本文提出的具体模型，结合潜在场、高斯扰动和神经算子转移实现稳定长时程预测。 |
📱 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