Nature Machine Intelligence сообщило о работе «Lagrangian–Eulerian learning of flow field and trajectories with TrajectoryFlowNet». В названии заявлено обучение поля потока и траекторий в едином подходе.
Проблема, которую описывает издательская аннотация, связана с прогнозированием переноса частиц в сложных потоках. Традиционные методы опираются на решение уравнений Навье—Стокса, а численные и экспериментальные подходы требуют глубоких физических знаний и значительных вычислительных затрат.
Согласно той же аннотации, существующие методы машинного обучения испытывают трудности с обобщением долгосрочных траекторий при разреженных данных. Доступный источник не сообщает, насколько TrajectoryFlowNet превосходит эти методы и в каких сценариях проходила проверка.
комментарий редакции
Что это значит
Если заявленный подход подтвердит результаты на независимых наборах данных, следующим наблюдаемым сигналом станут опубликованные сравнения долгосрочных прогнозов в разреженных режимах. Существенная неопределённость сохраняется: доступна только метааннотация без методики и численных результатов.