报告题目：流映射学习：从动力系统到偏微分方程

报告人：徐中恕 俄亥俄州立大学 

报告时间：4月28日 （周日）上午10:00-11:00

报告地点：管理楼1208

摘要：

在动力系统的研究中，流映射定义了两个不同时间的解之间的映射。在流映射学习（FML）中，我们使用观测数据，通过深度神经网络（DNNs）来逼近两个相近时间点之间的真实流映射。与传统数值方法不同的是，FML 无需系统方程的任何信息就可以进行长期预测。受Mori-Zwanzig公式的启发，FML已适应于非自治系统，可以结合任意控制/激励信号，并且也适用于部分观测系统，其中只能观测到部分状态变量。此外，采用模态和节点方法将无限维问题转化为有限维问题，FML已被扩展到处理偏微分方程（PDEs）控制的系统。