← 面向 IBR 动态的物理信息 Neural ODE

面向 IBR 动态的物理信息 Neural ODE

物理约束与残差骨架

C3-05 · 模块提纲

把物理知识放入损失函数或模型架构。

学习目标

  • 区分软约束与物理骨架。
  • 解释错误标称物理造成的偏差。

内容提纲

  1. 带物理惩罚的纯向量场
  2. 标称动态加学习残差
  3. 参数失配与残差位置

实验方向 · 待开发

仿真与代码实验

改变物理权重并与残差架构比较。

后续在此加入模型说明、参数设置、可运行代码与结果解读。

练习与讨论

明确残差可以修改哪些动态。

解答与反馈将在完整教材中补充。

材料准备

已有相关讲义、模型或 Notebook,需要整理为网页教材与实验。

将现有材料整理为逐步讲义、可复现实验与带解答练习。

本课程的全部模块
  1. 动力系统与轨迹数据
  2. 神经网络基础
  3. Neural ODE 与学习向量场
  4. 导数匹配与轨迹匹配
  5. 物理约束与残差骨架
  6. 连续时间 PINN 与 Neural ODE
  7. 参数辨识与泛化
  8. 学习模型的稳定性诊断
  9. 从 Swing Model 到变流器动态