著名期刊《自然通讯》上发表了一篇文章：“通过潜在动态网络学习时空过程的内在动态。”

这是由 Francesco Regazzoni、Stefano Pagani、Matteo Salvador(现就职于斯坦福大学)、Luca Dede' 和 Alfio Quarteroni 在米兰理工大学(数学系)MOX 实验室进行的一项研究的结果。

理工大学的研究人员引入了一种创新类型的人工神经网络，称为“潜在动力学网络”(LDNet)，它为研究具有时空动力学的系统响应外部刺激的演化开辟了新的视角。

预测复杂系统的演化对于科学进步至关重要。然而，基于数值模拟和数学模型的传统方法通常具有高昂的成本和计算时间，限制了它们在具体环境中的适用性。理工大学研究人员提出的新颖之处在于使用人工智能技术来描述低维空间中的系统演化，从而在极短的时间内提供准确的预测。

数据驱动方法的相关性

传统上使用微分方程来模拟时空现象，例如流体动力学、波传播和分子动力学，带来了重大的数学和计算挑战。正如理工大学的研究人员所指出的，数据驱动的方法代表了一种可以克服这些局限性的新范式。数据驱动的方法可以直接从实验数据中学习或构建高保真模型的替代品，从而更快、更高效地提供结果。

提出的方法：潜在动态网络

在这项研究中，理工大学的研究人员引入了潜在动态网络(LDNet)，它对现有方法提供了重大创新。这种神经网络能够通过用少量变量(称为潜在变量)表示其状态来自动检测所研究的物理系统的内在动力学。与最先进的数据驱动方法相比，LDNet 的结果准确度提高了 5 倍，同时所需参数数量减少了 90% 以上。

影响和未来前景

这项创新的影响和未来前景是广泛的，从流体动力学到生物力学，从地球科学到流行病学等等。LDNet 有望彻底改变时空动力学复杂系统的研究，对科学研究的各个方面产生积极影响，从实时模拟到灵敏度分析、参数估计和不确定性量化。