@第{CiCP-25-1259条，作者={}，title={物理约束、数据驱动的粗训练动力学发现}，journal={计算物理中的通信}，年份={2019}，体积={25}，数字={5}，页数={1259--1301}，抽象={计算物理中许多问题所遇到的高维性和时间尺度差异的结合推动了粗粒度（CG）模型的发展。在本文中，我们提倡使用数据驱动发现范式，通过使用精细模拟数据来提取控制方程。特别是，我们将粗粒度过程置于概率状态空间模型下，其中过渡定律指示CG状态变量的演化，而排放定律指示粗到细的映射。有向概率图形模型暗示，给定细粒度（FG）变量的值时，必须使用概率推理工具来识别CG状态的相应值，为此，我们使用随机变量推断。我们提倡稀疏贝叶斯学习观点，避免过拟合，并揭示CG进化规律中最显著的特征。所采用的公式能够量化CG过程中关键且经常被忽视的成分，即由于信息丢失导致的预测不确定性。此外，它能够重建完整、精细系统的演化。我们证明了该框架在随机游走者的高维系统中的有效性。
},issn={1991-7120}，doi={https://doi.org/10.4208/cicp.OA-2018-0174},url={http://global-sci.org/intro/article_detail/cicp/12951.html}}
TY-JOUR公司T1-物理约束、数据驱动的粗训练动力学发现JO-计算物理通信VL-5级SP-1259EP-13012019年上半年DA-2019/01年序号-25做-http://doi.org/10.4208/cicp.OA-2018-0174UR-（欧元）https://global-sci.org/intro/article_detail/cicp/12951.htmlKW-粗粒度、动力学、贝叶斯、非平衡、数据驱动。AB公司-在计算物理学的许多问题中遇到的高维和时间尺度的差异的结合推动了粗粒度（CG）模型的发展。在本文中，我们提倡使用数据驱动发现范式，通过使用精细模拟数据来提取控制方程。特别是，我们将粗粒度过程置于概率状态空间模型下，其中过渡定律指示CG状态变量的演化，而排放定律指示粗到细的映射。有向概率图形模型暗示，给定细粒度（FG）变量的值时，必须使用概率推理工具来识别CG状态的相应值，为此，我们使用随机变量推断。我们提倡稀疏贝叶斯学习观点，避免过拟合，并揭示CG进化规律中最显著的特征。所采用的公式能够量化CG过程中关键且经常被忽视的成分，即由于信息丢失导致的预测不确定性。此外，它能够重建完整、精细系统的演化。我们证明了该框架在随机游走者的高维系统中的有效性。
Lukas Felsberger和Phaedon-Stelios Koutsourelakis。(2020). 物理约束、数据驱动的粗训练动力学发现。计算物理学中的通信.25(5).1259-1301.doi:10.4208/cicp。OA-2018-0174
复制到剪贴板
