通过竞争优化从多源数据集中联合发现控制偏微分方程
TLDR
MCO-PDE竞争优化框架从多源数据中发现共享偏微分方程，经真实水槽实验验证。
评分理由
Strengths include a novel multi-source data fusion approach and real-world experimental validation. Weaknesses: the method is narrowly focused on PDE discovery and does not address broader automated scientific discovery tasks. The methodology is sound but limited in scope.
Read-first 评分解释
综合优先阅读分 47.8，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。 原始总分保留为 36。
研究版图角色
前沿论文方法锚点
排序敏感性
稳定性：volatile；排名波动范围：41。
关键词评分
深度分析
创新点
- 用于从多源数据集中发现共享偏微分方程的竞争优化框架（MCO-PDE）
- 动态评估数据集可信度并聚合共识全局系数的软竞争加权机制
- 与遗传算法集成，实现控制方程的结构与参数同步识别
方法
该框架为每个数据源训练独立的神经代理模型，然后应用软竞争加权机制动态评估数据集可信度并聚合共识全局系数。遗传算法搜索函数形式空间，从而从异质多源数据中联合发现PDE结构与参数。
关键结果
在七个案例中，每个数据集仅融合50个观测值即可高精度恢复典型方程；该方法处理具有不规则边界和异质系数的二维/三维域，并从真实水槽实验中提取具有物理意义的定律。