世界模型

Thermodynamically Consistent Latent Dynamics Identification for Parametric Systems

参数系统简化建模中的热力学一致潜在动力学识别

Xiaolong He, Yeonjong Shin, Anthony Gruber, Sohyeon Jung, Kookjin Lee, Youngsoo Choi

机构 * Ansys Inc.（安西斯公司） ； North Carolina State University（北卡罗来纳州立大学） ； Sandia National Laboratories（桑迪亚国家实验室） ； Arizona State University（亚利桑那州立大学） ； Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室） 纠错

专题命中 模型式强化学习 ：latent dynamics(title,abstract)；分类 cs.LG

AI总结 本文提出了一种结合自动编码器和参数化GENERIC框架的神经网络方法，用于参数非线性动力系统简化建模，通过热力学原理提升模型效率和精度。

Journal ref Transactions on Machine Learning Research (TMLR), 2026

Disentangling Continuous-Time Latent Dynamics: Identifiability of Latent SDEs via Diffusion Shifts

解缠连续时间潜在动力学：通过扩散偏移实现潜在SDE的可辨识性

Yuanyuan Wang, Wenjie Wang, Haoxuan Li, Mingming Gong, Kun Zhang

机构 * Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； The University of Melbourne（墨尔本大学） ； Peking University（北京大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

专题命中 模型式强化学习 ：latent dynamics(title)；分类 cs.LG

AI总结 针对连续时间潜在随机微分方程模型的可辨识性问题，利用环境引起的扩散协方差偏移，证明在漂移无稀疏性假设下，对角扩散机制可识别潜在坐标至置换和缩放，并估计潜在解缠与因果图。