LEARNING
面向偏微分方程的目标无关联合嵌入预测控制
Jonathan Gallagher, Roberto Guglielmi
- 发表年份
- 2026
- 访问权限
- 开放获取
摘要
本文提出了一种基于联合嵌入预测架构（JEPA）的目标无关控制框架，用于偏微分方程（PDE）。该框架通过离线训练小规模2D ViT编码器和动作条件潜在动力学模型，并冻结后用于模型预测路径积分（MPPI）控制器，在Navier-Stokes基准测试中通过显式物理可观测量的规划显著优于原始潜在空间欧氏距离规划。
关键词
joint-embedding predictive architecturemodel-predictive controlpartial differential equationsNavier-Stokesgoal-agnostic
相关论文
LEARNING
📊 8,465 引用
The Organization of Behavior
D. O. Hebb
2005
LEARNING
📊 7,678 引用
Fractional Brownian Motions, Fractional Noises and Applications
Benoît B. Mandelbrot, John W. Van Ness
1968
LEARNING
开放获取📊 7,484 引用
Review of deep learning: concepts, CNN architectures, challenges, applications, future directions
Laith Alzubaidi, Jinglan Zhang, Amjad J. Humaidi 等 10 位作者
2021
LEARNING
📊 4,608 引用
A guide to deep learning in healthcare
Andre Esteva, Alexandre Robicquet, Bharath Ramsundar 等 10 位作者
2018