UNIDE 把方程发现变成跨 PDE 家族的迁移任务:八成噪声下仍精确还原项集
核心概要
从带噪时空轨迹中识别控制方程,传统做法是对每条轨迹从头拟合稀疏或符号回归,微分又会放大观测噪声。UNIDE 先在六个一维 PDE 家族上学习:用无需干净目标的盲点去噪器清理轨迹,用共享编码器预测哪些候选项活跃,再用弱形式最小二乘与残差剪枝估计系数。在 900 条留出轨迹上,80% 噪声时它精确还原项集的比例为 0.924,而 WSINDy 为 0.003。
深度剖析
方程发现不再对每条观测轨迹单独拟合,而是一个在多个 PDE 家族上训练过的模型直接判断新轨迹由哪些项构成。 稀疏回归与符号回归(SINDy、WSINDy、PySR)每条轨迹都从零开始拟合,前一个系统学到的经验无法带到下一个系统,抗噪只能逐条轨迹争取。 在 900 条留出轨迹、1% 到 80% 的十个噪声水平上,UNIDE 的精确项集匹配在每个含噪水平都高于三个基线;80% 噪声时为 0.924,WSINDy 为 0.003,逐点方法整体失效。
判断项是否活跃由神经网络完成,系数则交回经典最小二乘,两者分工。 去噪器采用盲点目标训练,随机遮住少量时空点并用邻近像素替换,网络只能从上下文预测被遮住的值,因此不需要干净目标。 编码器把每帧经空间卷积编码、加上时间特征后由 transformer 跨帧处理,再经注意力池化与元数据融合,输出各候选项的活跃概率;系数在预测支撑集上用弱形式最小二乘求解,并用残差贪心剪枝删除贡献过小的项。
优势来自学到的项选择,而不只是去噪。 把同一个去噪器、同样的候选项、同样的剪枝和验证集都交给弱形式稀疏回归后,它在每个设置下的精确匹配仍低于 UNIDE。 10% 噪声下 UNIDE 精确匹配 0.960,匹配条件的稀疏回归为 0.787;80% 噪声下为 0.924 对 0.834;系数外推设置下为 0.906 对 0.642。
启示与展望
结论建立在合成、一维、周期且完全观测的时空场上,六个 PDE 家族的项结构在训练中都出现过,每个噪声水平使用各自训练的专家模型;作者提出的下一步是测试未见算子组合与未见 PDE 家族、物理测量以及更高维域。
Burgers 上编码器会把输运项替换成另一项,而只做删除的剪枝无法修复,导致该家族精确匹配在 1% 噪声时为 0.23、70% 时为 0.00;KdV 中为数值稳定加入的小固定项可能被剪枝删除,最多涉及 150 条轨迹中的 29 条。权重与阈值冻结在 10% 设置时,80% 噪声下精确匹配降到 0.489;系数精度在 5% 噪声以内不如 WSINDy。
