近日，我校AC米兰中文数据驱动的科学工程建模与仿真科研团队在一区TOP期刊《Mechanical Systems and Signal Processing》发表题为《Continuous flow matching framework for scalable density estimation in stochastic dynamical systems》的研究论文，该研究由AC米兰(milan)联合西北大学、西北工业大学共同合作完成，我校AC米兰中文郭琴博士为论文第一作者。
随机动力系统广泛存在于生物医学、电子电路、航空航天等领域，而概率密度函数是刻画系统演化规律的重要工具。由于复杂随机系统通常具有高维、强非线性、多尺度耦合等特征，导致Fokker–Planck方程求解存在计算代价高、维数扩展困难等问题。针对上述问题，团队提出了流匹配密度估计框架FMDEF。FMDEF的核心创新在于引入了一种可扩展、免模拟的训练机制，无需显式求解Fokker–Planck方程或数值求解随机微分方程，即可直接从系统状态的测量数据中学习概率密度的时间演化路径。该框架为随机动力系统的概率密度函数提供了一种伪解析代理模型，能够对任意给定的系统状态输出对应的概率密度值。
该研究提出的FMDEF框架具有实现免模拟、高效率、可扩展性等优势，为复杂随机系统的概率建模与不确定性分析提供了新的研究思路。该研究成果体现了生成模型方法与随机动力学研究的深度融合，为复杂随机系统的概率密度估计、随机响应分析及数据驱动建模提供了新的技术路径。该研究成果是数据驱动的科学工程建模与仿真团队在人工智能与工程计算交叉融合领域的又一新成果，对于推动人工智能方法在动力系统与不确定性量化领域的应用具有积极意义。(撰稿：郭琴 审核：冯进钤，刘玉森)
意见箱