不完全な情報下での連成系ダイナミクスの学習

本論文は、物理学に基づいた機械学習における重要な課題、つまり、支配方程式が不完全で、一部の変数についてデータが欠落している連成系をモデル化することに取り組んでいます。提案されたMUSICフレームワークは、部分的な物理的制約とデータ駆動型学習を統合し、スパース正則化とメッシュフリーサンプリングを使用して効率と精度を向上させる革新的なアプローチを提供します。データが不足し、ノイズが多い条件下でも処理できる能力は、大きな利点です。