新方法破解延迟物理系统可辨识性难题，双基准测试全面超越现有方法！
Identifiability Guarantees for Drivers and Dynamics of Delayed Physical Systems
📖 AI 总结
该论文针对延迟物理系统的动力学辨识问题提出了一种具有理论保证的新方法。现有手段如物理信息神经网络虽功能强大，却无法保证动力学可辨识性；符号回归依赖预计算操作集；因果发现虽更具原则性，但通常依赖物理系统可能违背的强假设。作者证明，在一组较为宽松的假设下，随机延迟微分方程的结构性驱动因素与漂移项是可辨识的。实验方面，该方法在驱动因素可辨识性基准测试中优于其他方法，并在第二个评估所学动力学物理一致性的基准上同样表现领先。这项工作的意义在于为延迟物理系统的驱动识别与动力学学习提供了严格的可辨识性理论支撑，弥补了现有方法在理论保证上的不足。
🔑 关键词速览
| 可辨识性 (Identifiability) | 指从观测数据中能否唯一确定系统真实参数或结构的性质，是理论保证的核心。 |
| 随机延迟微分方程 (Stochastic Delayed Differential Equations) | 同时包含随机噪声项和时间延迟项的微分方程，用于建模具有记忆效应的动态系统。 |
| 物理信息神经网络 (Physics-Informed Neural Networks) | 将物理定律作为约束融入神经网络训练的一类方法，但通常不保证模型参数的可辨识性。 |
| 符号回归 (Symbolic Regression) | 一种从数据中搜索数学表达式的方法，需要预先定义操作符集合，可能无法发现新运算。 |
| 因果发现 (Causal Discovery) | 从数据中推断变量间因果关系的方法，通常依赖较强的假设，在物理系统中可能不成立。 |
📱 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