Newest papers

Geometry-Agnostic Data-Driven Discovery of Extreme Scenarios

Angeline Hu, Ava K. Tse, Kaitlyn S. Yasumura, Luciana Sarabia, Malcolm Yeung, Kavin K. Prasanna, Kai Wong, William Hammond · 2026 · arXiv

DOI: 10.48550/arXiv.2610.28487 · open-access PDF

Vietnamese

Chúng tôi giới thiệu một khung thần kinh dựa trên dữ liệu hai giai đoạn để khám phá các kịch bản cực đoan có thể chấp nhận động. Thay vì giả định kiến thức trước về các phương trình thống trị, giai đoạn đầu tiên rút ra những hạn chế năng động hiệu quả trực tiếp từ dữ liệu quan sát. Khi hệ thống vật lý cơ bản sở hữu sự đối xứng thích hợp, các động lực học được có thể được thể hiện dưới dạng hình học, độc lập với bất kỳ lưới cố định, hệ thống tọa độ, kích thước và độ cong nội tại nào. Ở giai đoạn thứ hai, một nghiên cứu thần kinh được thông báo bởi vật lý sử dụng động lực học được học này để khám phá những động lực hiếm, cao.

Machine translation (Meta M2M100); the English original follows.

Abstract

We introduce a two-stage data-driven neural framework for discovering dynamically admissible extreme scenarios. Rather than assuming prior knowledge of the governing equations, the first stage infers the effective dynamical constraints directly from observational data. When the underlying physical system possesses suitable symmetries, the learned dynamics can be represented in a geometry-agnostic form, independent of any fixed grid, coordinate system, dimensionality, and intrinsic curvature. In the second stage, a physics-informed neural-search uses this learned dynamics to uncover rare, high-

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange