在不完整信息下学习耦合系统动力学

本文解决了物理信息机器学习中的一个重要挑战：对支配方程不完整且某些变量数据缺失的耦合系统进行建模。 提出的 MUSIC 框架提供了一种新颖的方法，通过将部分物理约束与数据驱动学习相结合，使用稀疏正则化和无网格采样来提高效率和准确性。 处理数据稀缺和噪声条件的能力是一个关键优势。

• •解决了使用不完整物理学和缺失数据对耦合系统进行建模的问题。
• •介绍了 MUSIC，一个稀疏诱导的多任务神经网络框架。
• •采用无网格采样和稀疏正则化以提高效率。
• •证明了在数据稀缺和噪声条件下准确学习解。
• •在实验中优于非稀疏公式。