提出无需模拟的速度匹配训练目标

Nicola Farenga 与 Andrea Manzoni 提出 Velocity Matching（VM）训练目标，让神经网络学习非线性动力系统的连续演化时不需要模拟轨迹，从而避开长 rollout 带来的成本与不稳定。 该方法用分段线性插值和随机配置近似速度总体风险，作者给出了稳定性估计与连续时间逼近结果，并证明该目标与 A-stable 连续阶段 Runge-Kutta 格式的残差相关。 在非线性常微分方程和半离散偏微分方程实验中，VM 的精度优于基于轨迹的目标。

AI 根据报道生成 · 3 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。