مدلسازی سیستمهای دینامیکی همیشه یک چالش بزرگ بوده است: یا مدلهای فیزیکی سنتی (که دقیق اما گاهی سادهانگارانهاند) را انتخاب کنیم، یا به سراغ مدلهای عصبی منعطف برویم که فاقد دیدگاه فیزیکی هستند.
محققان در مقاله جدید خود، متد OrthoReg را معرفی کردهاند که با ایجاد یک «تعامد» (Orthogonality) بین بخش نمادین (فیزیکی) و بخش عصبی مدل، از همپوشانی و تکرارِ بیهوده جلوگیری میکند. نتیجه؟ مدلی که هم تفسیرپذیری بالایی دارد و هم قدرت پیشبینیاش در دادههای خارج از توزیع (OOD) به مراتب بهتر شده است.
این روش یک گام رو به جلو در جهت ساخت مدلهای ترکیبی (Hybrid) است که واقعیت فیزیکی را با انعطاف یادگیری ماشین ترکیب میکنند.
منبع: arXiv AI