NeuralDMD：免训练重建稀疏含噪时空动力学

Ali SaraerToosi 等作者提出 NeuralDMD 重建框架，将神经隐式表示与动态模式分解（DMD）结合，无需训练数据或数值模拟器，即可从稀疏、间接、含噪测量中重建连续时空动力学。 该方法把 DMD 模式参数化为连续神经场，并施加低秩线性动力学先验与谱时间演化约束。作者称，在稀疏观测天气预报数据同化和银河系中心黑洞 Sagittarius A 的干涉（傅里叶域）观测等任务上，该方法优于基线，且外推至未来时保持稳定。 作者同时说明，该框架最适合线性动力学；虽可应用于非线性情形，但外推性能会随非线性增强而下降。

AI 根据报道生成 · 3 天前更新

还没有足够的连续观测数据，暂不绘制趋势。