时序与科学机器学习¶
这是与你的信号、系统辨识和结构研究最直接的交汇。先建立时间划分与经典基线，再区分数据驱动预测、物理约束和算子学习；它们不是可以互换的名称。
知识地图与优先级¶
| 层次 | 主题 | 需要理解什么 |
|---|---|---|
| P1 | 时序任务与基线 | 预测、分类、异常、缺失插补；持续值/线性模型、频域特征与窗口泄漏 |
| P1 | 时序网络 | TCN、RNN、Transformer、SSM；局部/长程信息与多变量输入 |
| P2 | 时序基础模型与迁移 | 预训练数据、采样率、归一化、域差异与不确定性 |
| P2 | PINN 与反问题 | 用物理方程残差与边界约束训练；并不保证解正确或优于数值解法 |
| P2 | 神经算子与混合模型 | FNO/DeepONet 学习函数间映射；分辨率、参数范围与守恒检查 |
核心机制直觉 · 从时序演进到物理与算子¶
- 时序深度建模三阶段：
- 循环时序（RNN/LSTM）：隐状态递推，长程相位易衰减，并行困难。
- 点级自注意力（Vanilla Time Transformer）：将每个时间步当作 token，破坏了连续波形局部模式，且二次方复杂度在长传感器序列上开销巨大。
- Patch 化与通道独立（PatchTST/iTransformer）：将局部时间子序列聚合成 Patch Token 捕捉动态模式；在多元传感器场景中，通道独立（Channel-Independent）策略往往比强行跨通道计算注意力具备更强泛化性。
- 物理知情（PINN）与神经算子（FNO/DeepONet）的区别：
- PINN（方程残差软约束）：用神经网络参数化特定解 \(u(t, x)\)，将物理方程残差（如波动/振动方程）作为损失惩罚项。无需海量仿真标签，但每换一次物理参数或几何边界需重新训练，优化极易受多损失项梯度不平衡困扰。
- 神经算子（无穷维函数空间映射）：学习输入函数空间到输出函数空间的非线性映射（如激振载荷分布 \(\to\) 结构位移场响应）。通过频域截断卷积实现网格无关性（Mesh-independent / Zero-shot 超分辨率），一次训练支持任意离散点评估。
精选入口¶
-
算子实践主入口 · NeuralOperator
从小型 Darcy flow 实验切入，理解频域截断卷积与网格无关（Mesh-independent）映射。
-
方程求解选修 · DeepXDE PINN
物理约束深度学习代表库，通过一维 Poisson 经典算例体验微分方程残差惩罚项。
跟随实验 · AI-5 · 先时序基线，再选一个物理模型¶
- 用熟悉的信号数据定义任务，按时间/设备分组划分，避免相邻窗口跨集合。
- 先比较持续值、线性/特征基线与一个小网络；记录不同噪声或工况。
- 若选科学 AI，再跟一个官方 Darcy 或 Poisson 例子，核对单位与边界条件。
- 测试未见参数范围或分辨率，比较数值/解析参考与误差，而不只看训练损失。
验收：保存数据划分、条件范围、误差与计算成本；物理一致性与预测精度分开评估，深度模型不默认胜出。
认知自测 · 关键思考¶
- 在多通道传感器阵列（如加速度、应变、温湿度）预测中，为什么“通道独立”策略往往能战胜盲目将所有通道混合计算的密集网络？
- 在 PINN 训练中，当边界条件损失与内部 PDE 残差损失的量级差异达数倍时，梯度反传会出现何种病态主导现象？
- 傅里叶神经算子（FNO）的离散傅里叶层在频域执行截断乘法，这在数学上对应物理系统格林函数的何种空间运算？
Mamba/SSM与图学习可作为后续模型选择；应用领域的算法细节留在原有专题中。