热点事件持续更新
研究者提出免仿真的动力系统学习算法VM
1 篇报道1 个报道来源14 小时前更新
先了解这件事
AI 综述
2026年11月3日，研究人员在arXiv发表论文，提出一种名为速度匹配（Velocity Matching，VM）的无需仿真的训练目标，用于学习非线性动力系统的连续时间演化。该方法采用分段线性插值与随机搭配机制，能够在采样步长上实现速度总体风险的二阶近似，使模型在无需直接访问底层速度场的情况下，隐式匹配雅可比矩阵的作用。在非线性常微分方程（ODE）与半离散时间偏微分方程（PDE）的实验中，VM相较于基于轨迹的目标展现出更高的精度，同时有效规避了高昂的仿真计算成本与长推演过程中的不稳定性。
AI 根据报道生成 · 10 小时前更新
最新进展11月3日 13:00
研究者提出无需仿真的算法VM，通过速度匹配提升非线性动力系统学习精度并规避仿真成本。报道时间线
沿着报道，了解事件的不同侧面。
11月3日
- arXiv 机器学习通过速度匹配学习动力系统演化
研究人员提出无需仿真的训练目标 Velocity Matching（VM），通过分段线性插值与随机搭配学习非线性动力系统的连续时间演化。该方法在采样步长上实现速度总体风险的二阶近似，无需直接访问底层速度场即可隐式匹配雅可比矩阵作用。在非线性 ODE 与半离散时间 PDE 实验中，VM 较基于轨迹的目标提升了精度，同时规避了仿真成本与长推演不稳定性。
本事件热度走势
当前热度 7·可比范围峰值 9（11月3日 18:00）·近 24 小时可比范围变化–
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。