用微分方程建模数据结构，生成符合原数据物理规律的新数据。

Differential Informed Auto-Encoder

• 通过微分方程学习数据内在结构
• 利用物理信息神经网络重构数据分布
• 适合需要保持物理规律的数据生成任务

本文提出一种基于微分方程的自编码器框架。通过训练编码器捕捉原始数据的内在结构，构建其对应的微分方程表示；同时，采用物理信息神经网络训练解码器，在原数据域上重采样，生成符合原始数据微分结构的新数据。该方法将数据生成过程与底层动态规律结合，使生成结果不仅在统计特性上接近真实数据，且满足隐含的物理或系统演化规律。

原文摘要 · Abstract (English)

In this article, an encoder was trained to obtain the inner structure of the original data by obtain a differential equations. A decoder was trained to resample the original data domain, to generate new data that obey the differential structure of the original data using the physics-informed neural network.

Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。