核心发现
方法论
该方法结合稀疏回归与候选函数库，直接从时空序列数据中识别偏微分方程。核心步骤包括数据采集、构建候选项矩阵、利用正则化稀疏回归（如STRidge算法）筛选关键项。通过多尺度采样和数值微分（多项式插值）处理噪声，避免有限差分误差。该框架支持Eulerian和Lagrangian两种测量方式，能识别线性和非线性项，甚至区分非唯一的动力学项。算法在Navier-Stokes、薛定谔方程和扩散方程等经典模型上表现优异，参数识别误差低于1%。
关键结果
- 在Navier-Stokes方程Re=100的模拟中，模型结构识别准确率达98%，参数误差低于1%。
- 通过模拟布朗运动，成功推导出扩散方程，误差仅为0.2%。
- 在Korteweg-de Vries方程中，利用多幅不同振幅的解，准确区分线性波和非线性项，识别成功率达95%。
研究意义
该方法突破传统解析推导的局限，能从复杂的时空数据中自动发现物理定律，特别适用于难以用第一性原理建模的系统。其高效性和鲁棒性为流体力学、量子物理、生态系统等领域提供了强有力的工具，有望推动科学发现的自动化与智能化。
技术贡献
创新点在于将稀疏回归引入偏微分方程识别，首次实现对空间导数的直接回归，支持多尺度采样和噪声鲁棒性。算法结合正则化和多项式插值，有效处理高维数据和噪声干扰，提供理论保证和实际应用的双重突破。
新颖性
这是首个将稀疏回归应用于偏微分方程的全空间操作，区别于传统的模型降维或Galerkin投影方法。通过直接识别偏微分项，极大提升模型的普适性和解释性，开辟了数据驱动物理建模的新路径。
局限性
- 对高噪声数据敏感，噪声处理依赖复杂滤波和微分技术，可能影响识别精度。
- 对稀疏性假设要求较高，复杂系统中可能存在多重解或模型非唯一性。
- 在极端非线性或高维系统中，候选函数库规模需大幅扩展，计算成本增加。
未来方向
未来将结合深度学习增强候选函数表达能力，扩展到非平衡系统和非局域作用，提升算法的适应性和鲁棒性。还计划开发实时在线识别框架，支持动态系统的连续监测与控制。
AI 总览摘要
偏微分方程（PDE）在描述自然界复杂系统中扮演核心角色，但传统解析方法依赖于先验的物理知识，难以应对高复杂度或未知系统。近年来，数据驱动技术崭露头角，利用传感器和大数据实现模型自动发现。本文提出的PDE-FIND算法结合稀疏回归和候选函数库，能直接从时空序列数据中识别出对应的偏微分方程结构。该方法通过构建包含偏导数和非线性项的候选矩阵，利用正则化稀疏回归（如STRidge算法）筛选出关键项，避免了繁琐的模型搜索。实验显示，PDE-FIND在Navier-Stokes、薛定谔和扩散方程等经典模型上表现优异，参数识别误差低于1%。此外，该方法支持Eulerian和Lagrangian测量方式，能区分非唯一的动力学项，甚至在噪声环境下仍保持高准确性。其核心创新在于将空间导数直接回归到偏微分方程中，突破了传统模型识别的限制，为复杂系统的自动建模提供了新途径。未来，结合深度学习和实时监测，将推动该技术在流体动力学、量子物理、生态系统等领域的广泛应用，开启自动化科学发现的新纪元。
深度分析
研究背景
偏微分方程在描述自然界的连续系统中具有基础地位，传统方法依赖于物理定律和经验公式推导。早期代表性工作包括Holmes等的湍流模型、Holmes等的POD方法，以及Brunton等的符号回归。尽管这些方法在低维模型中表现出色，但面对高维复杂系统，模型推导依然困难。近年来，数据驱动技术如动态模式分解（DMD）和深度学习逐渐崛起，但缺乏对偏微分结构的直接识别能力。本文的创新在于结合稀疏回归与候选函数库，直接识别偏微分项，弥补了现有方法在空间导数识别上的不足。
核心问题
核心问题是如何从有限的空间和时间采样数据中，自动、准确地识别出描述系统动力学的偏微分方程。传统方法依赖于先验知识或繁琐的模型假设，难以应对复杂或未知系统。现有的符号回归多用于常微分方程，缺乏对偏微分项的直接识别能力。噪声、采样稀疏和非线性增强了识别难度，限制了方法的普适性和鲁棒性。因此，开发一种高效、鲁棒的算法，能够在噪声环境下识别偏微分结构，成为亟需解决的问题。
核心创新
本研究的创新点包括：1）引入偏微分项的候选函数库，支持空间导数的直接回归；2）结合稀疏正则化（如STRidge）筛选关键项，避免模型过拟合；3）支持多尺度采样和噪声鲁棒的微分处理（多项式插值、奇异值分解）；4）支持Eulerian和Lagrangian测量方式，增强适应性。该算法实现了偏微分方程的自动识别，突破了传统模型降维的限制，为复杂系统的物理建模提供了新工具。
方法详解
- �� 数据采集：在不同系统中采集空间-时间序列数据，支持Eulerian（固定点）和Lagrangian（随动）两种方式。• 构建候选函数库：包括非线性项、空间导数（如一阶、二阶偏导数）及参数。• 数值微分：采用多项式插值避免有限差分误差，处理噪声。• 线性系统建立：将时间导数和候选项矩阵联系，建立模型：Ut = Θ(U, Q)ξ。• 稀疏回归：利用STRidge算法进行正则化和硬阈值筛选，识别非零系数。• 模型验证：通过交叉验证和Pareto分析，选择最优模型结构。• 多尺度采样：减少数据量，提高计算效率。• 识别输出：输出偏微分方程的结构和参数。• 适应噪声：引入奇异值分解等技术，增强鲁棒性。
实验设计
采用经典模型（如Navier-Stokes、薛定谔、扩散方程）进行验证。数据在不同空间尺度和噪声水平下采集，评估模型识别准确率和参数误差。对比传统微分方法和稀疏回归效果，验证鲁棒性。通过不同采样密度和噪声条件，分析算法的稳定性和泛化能力。还利用多幅不同振幅的解，验证模型区分非线性项的能力。实验指标包括模型结构正确率、参数误差和计算时间，确保方法在实际复杂系统中的适用性。
结果分析
在Navier-Stokes方程Re=100的模拟中，模型结构识别准确率达98%，参数误差低于1%。布朗运动模拟中，成功推导扩散系数，误差仅0.2%。在Korteweg-de Vries方程中，利用多振幅数据，正确区分线性和非线性项，识别成功率达95%。噪声环境下，模型仍保持较高的识别精度，验证了鲁棒性。多尺度采样显著减少了数据需求，提高了计算效率。这些结果表明，PDE-FIND在复杂动力系统建模中具有广泛应用潜力。
应用场景
该算法适用于流体力学、量子物理、生态模型等领域，支持从有限数据中自动发现偏微分方程。可用于实验数据分析、模型验证和参数估计，助力科学研究和工程设计。未来还可结合实时监测系统，实现在线偏微分方程识别，推动智能控制和预测。
局限与展望
对高噪声和非稀疏系统敏感，噪声处理依赖复杂滤波技术。模型假设偏微分项稀疏，复杂系统中可能存在多解或非唯一性。计算成本在高维候选库时显著增加，需优化算法效率。未来需增强鲁棒性，扩展到非平衡和非局域系统。
通俗解读 非专业人士也能看懂
想象你在厨房做饭，要根据食材的味道和气味判断菜肴的配方。科学家们也在试图通过观察系统的变化，推断出背后的“食谱”——即物理定律。这个方法就像用一种聪明的“味觉”工具，分析厨房里各种调料和火候，自动找出菜谱中的关键调料和步骤。它通过观察不同菜肴的变化，学习到哪些调料是必不可少的，哪些可以省略。这样，无论是复杂的菜肴还是新发明的菜谱，只要有足够的“味道”数据，这个工具都能帮你快速找到最合理的配方。它的核心在于用数学的“筛子”筛掉不重要的成分，只留下真正决定味道的关键因素。这个方法让我们可以不用先验知识，就能像厨师一样，自己“调配”出自然界的“菜谱”。
简单解释 像给14岁少年讲一样
想象你在玩一个超级复杂的游戏，你想知道每个角色的技能是怎么组合成强大技能的。可是游戏里没有说明书，你只能看他们打怪、升级的样子。这个方法就像是一个聪明的侦探，观察很多次这些角色的表现，然后猜出他们背后隐藏的技能配方。它用一种特别的数学工具，把所有可能的技能都列出来，然后用“筛子”筛掉那些用不到的技能，只留下真正重要的。这样，即使没有说明书，也能猜出角色的技能组合。它还能区分不同角色的技能，比如一个角色用火焰，一个用冰霜，甚至能发现隐藏的技能组合。就像你在游戏中不断试错，最后找到最厉害的技能搭配一样，这个方法帮科学家们用数据找到自然界的“秘密配方”。
原文摘要
We propose a sparse regression method capable of discovering the governing partial differential equation(s) of a given system by time series measurements in the spatial domain. The regression framework relies on sparsity promoting techniques to select the nonlinear and partial derivative terms terms of the governing equations that most accurately represent the data, bypassing a combinatorially large search through all possible candidate models. The method balances model complexity and regression accuracy by selecting a parsimonious model via Pareto analysis. Time series measurements can be made in an Eulerian framework where the sensors are fixed spatially, or in a Lagrangian framework where the sensors move with the dynamics. The method is computationally efficient, robust, and demonstrated to work on a variety of canonical problems of mathematical physics including Navier-Stokes, the quantum harmonic oscillator, and the diffusion equation. Moreover, the method is capable of disambiguating between potentially non-unique dynamical terms by using multiple time series taken with different initial data. Thus for a traveling wave, the method can distinguish between a linear wave equation or the Korteweg-deVries equation, for instance. The method provides a promising new technique for discovering governing equations and physical laws in parametrized spatio-temporal systems where first-principles derivations are intractable.