Нейросеть-картограф: восстановление невидимых законов экспресс
Многие природные процессы описываются уравнениями, но нам доступны лишь их фрагменты. Новый метод действует как картограф, который по немногим ориентирам восстанавливает целостную карту местности. Известные законы задают надёжный стандартный каркас — словно береговая линия, а нейросеть дорисовывает скрытую динамику, анализируя данные. С каждым циклом алгоритм уточняет карту: сначала восстанавливает полную историю системы, затем корректирует неизвестные части. Это напоминает, как астрономы наносят на карту невидимую тёмную материю в галактиках по её гравитационному влиянию.
Испытания показали: метод точно предсказывает поведение, даже когда видны лишь 5% всех факторов. В отличие от чёрных ящиков, он сохраняет физический смысл, что важно для надёжных моделей в медицине и экологии.
Оригинальная аннотация
как её написали авторы, на английском arXiv:2607.15180
Ordinary differential equations (ODEs) are widely used to model dynamical systems in physics, biology, neuroscience, and physiology, but in many applications some equations of the dynamics are unknown and only a subset of the state variables are measured. We propose a hybrid neural--physics framework in which the known components of the ODE are kept explicit and the missing components are represented by a neural network. The proposed method consists of two stages where we alternate between state and parameter estimation and iterate until a predetermined criterion is met. Specifically, in the first step, we treat the model parameters as being known and we infer the latent states from the available measurements using a Rauch--Tung--Striebel (RTS) smoother. In the second stage, we treat the smoothed trajectories as being known and use them to estimate the neural networks' parameters through backpropagation. We evaluate the method on benchmark systems spanning linear, nonlinear, and stiff dynamics under partial state observation. Across these settings, the proposed method learns missing ODE components from incomplete measurements while exploiting and retaining interpretable mechanistic structure and improving latent-state reconstruction and long-horizon prediction.
Похожий принцип в беспилотных автомобилях: когда датчики на мгновение теряют объект из виду, физическая модель прокладывает его вероятный путь, а нейросеть уточняет детали — как картограф по немногим линиям дорисовывает карту.