연구진은 복잡한 동역학 시스템의 지배 방정식 식별을 위한 능동 학습 전략을 개발했어요. 이 방법은 데이터 획득 비용이 높은 환경에서 가장 유용한 데이터를 우선적으로 샘플링하여 모델 식별 정확도를 높여요. Lorenz 시스템(ODE)과 Burgers 방정식, Kuramoto-Sivashinsky 방정식(PDE)에 대한 실험 결과, 무작위 샘플링보다 훨씬 적은 데이터로 정확한 식별이 가능했어요.
Sparse Identification of Nonlinear Dynamics (SINDy)와 E-SINDy를 결합하여 불확실성을 추정하고 샘플링을 안내하며, 이는 일반 미분 방정식(ODE)과 편미분 방정식(PDE) 모두에 적용돼요. 연구 결과, 능동 학습은 데이터 예산과 노이즈 수준이 변동하는 Lorenz 시스템에서 특히 효과적이었어요.
Burgers 방정식과 Kuramoto-Sivashinsky 방정식에 대한 실험은 복잡한 공간적 샘플링 환경에서도 능동 학습이 효과적임을 보여줬으며, 데이터 요구량을 획기적으로 줄일 수 있음을 입증했어요.