速度数据让动力学建模不再猜谜！KI框架训练时间大减，重建精度碾压基线
Learning smooth dynamics via Kinematic Interpolants
📖 AI 总结
该论文针对从真实实验数据推断动力系统时存在的固有歧义问题展开研究。由于仅凭测量时刻的位置观测，多个不同的动力学系统可能给出相同解释，作者提出引入速度估计等科学可观测量来消解歧义，但如何以可扩展、无需仿真或不必要近似的方式整合这类信息仍是难题。为此，论文提出运动学插值器（Kinematic Interpolants, KI）框架，将随机插值方法推广至相空间中包含位置与速度测量的多快照情形，从而推断非线性动力学。在多个科学数据集上的实验表明，KI相比现有基线能更优地重建潜在动力学，且训练时间仅需其一小部分。该工作为融合位置与速度观测的动力学学习提供了高效新途径，对单细胞RNA、涡旋动力学及鸟群行为等应用具有意义。
🔑 关键词速览
| Kinematic Interpolants (KI) | 一种新颖的框架，将随机插值方法扩展到相空间中利用位置和速度测量推断非线性动力学。 |
| Stochastic Interpolants | 一种开创性方法，通过构建随机插值路径来连接数据分布，用于生成建模和动力学推断。 |
| Phase Space | 相空间，由位置和速度等状态变量张成的空间，用于描述动力系统的状态。 |
| Nonlinear Dynamics | 非线性动力学，描述系统状态随时间演化的非线性微分方程或映射。 |
| Single-cell RNA | 单细胞RNA测序数据，用于研究细胞异质性和动态过程，常涉及高维状态空间中的动力学推断。 |
📱 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