Learning functional components of PDEs from data using neural networks
本文提出了一种通过将神经网络嵌入偏微分方程框架，从数据中恢复偏微分方程未知函数分量的方法，该方法在考虑数据量、采样密度和噪声等因素的同时，借助标准参数拟合流程实现对相互作用核与势能的精确近似。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正在观察广场上的一大群人。你能看到人们如何移动、在哪里聚集、哪里变得空旷。但你无法直接看到他们为何如此行为。也许某些群体相互吸引，也许存在无形的“磁场”，或者某些地点特别具有吸引力。
在科学中，我们将这些无形的力量称为偏微分方程（PDEs）。它们是描述事物如何在空间和时间中变化的数学规则。问题往往在于：我们知道规则（方程），却不知道力的精确公式（函数）。这就像驾驶一辆汽车，却不知道油门踏板具体如何工作。
本文介绍了一种巧妙的创新方法，能够从观测中推断出这些无形力量。以下是用通俗语言进行的解释：
1. 问题：盲目的厨师
想象一位厨师烤出了一个完美的蛋糕。他知道食谱（方程），但忘记了肉桂和香草的精确用量（未知函数）。他只能品尝最终的蛋糕（数据）。
过去，科学家只能判断厨师使用了“一些”肉桂还是“很多”肉桂（一个简单的数值）。但要弄清楚肉桂用量在整个蛋糕中是如何精确分布的，则是不可能的。
2. 解决方案：人工智能学生
这篇论文的作者提出了一个巧妙的想法：他们将一个人工神经网络直接嵌入到数学方程中。
把这个神经网络想象成一个好奇的学生，被置入方程之中。这个学生的任务是：发明出无形力量的公式（例如，人们相互吸引的强度）。
- 训练过程：学生观察观测数据（例如，人群在一天结束时的分布情况）。
- 反馈：如果学生的预测与现实不符，他就会受到“惩罚”（计算误差）。
- 学习：学生不断调整其内部公式（其权重），直到找到能精确解释这群人的完美公式。
3. 技巧：从“终态”中学习
通常，为了学习规则，人们必须逐分钟追踪人群的整个历史。这往往过于复杂且混乱。
作者使用了一个巧妙的技巧：他们只观察终态（即人群不再变化的“静止阶段”）。
- 类比：想象你向池塘扔了一块石头。与其追踪每一道波浪，不如只看水面恢复平静后的样子。从平静波浪的形状中，你可以精确计算出池塘有多深以及水流如何流动。
- 在数学中，这被称为不动点。神经网络学习的是：需要什么样的力量，才能使系统恰好保持在这种静止状态。
4. 他们发现了什么？
研究人员测试了当数据不完美（如同现实生活）时，这个学生的学习效果：
- 完美数据：如果数据干净，学生几乎能完美地学会公式。他能精确重构出无形力量。
- 噪声（误差）：在现实世界中，总是存在测量误差（如同雾气或晃动的照片）。只要噪声不过强，学生仍然能够学习。
- 数据稀少：即使只观察少数几个点（例如，在广场上只观察 10 个位置而不是 1000 个），学生通常仍能猜出正确的公式。
- 风险：如果只进行一次单一且乏味的观察（例如，完全空无一人的广场），学生就无法学习规则。他需要包含足够信息的“有趣”数据。
5. 为什么这很重要？
过去，科学家必须猜测这些无形力量是什么样子的，或者必须进行极其昂贵的实验来直接测量它们。
通过这种方法，我们现在可以：
- 破译自然法则：通过仅观察事物最终的行为方式，我们可以发现细胞如何排序、流行病如何传播或云层如何形成。
- 做出预测：一旦学生学会了公式，我们就可以像使用普通工具一样使用方程，来回答：“如果我们以不同方式踩油门会发生什么？”（例如，“如果我们打开一个新入口，人群会发生什么变化？”）。
总结
这篇论文展示了如何将人工智能作为侦探来使用。侦探（神经网络）被嵌入到物理定律中。他观察线索（数据），并从中学习驱动世界的无形力量的精确公式。这是一个巨大的进步，能够将模型从理论带入现实世界，在那里我们往往只能看到症状，却看不到原因。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。