PySHRED: A Python package for SHallow REcurrent Decoding for sparse sensing, model reduction and scientific discovery

📄 arXiv: 2507.20954v1 📥 PDF

作者: David Ye, Jan Williams, Mars Gao, Stefano Riva, Matteo Tomasetto, David Zoro, J. Nathan Kutz

分类: cs.LG, cs.CE, math.DS, nlin.CD

发布日期: 2025-07-28

备注: 15 pages, 9 figures

🔗 代码/项目: GITHUB

💡 一句话要点

PySHRED：用于稀疏感知、模型降阶和科学发现的浅层循环解码Python包

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 浅层循环解码器 动力系统建模 模型降阶 稀疏感知 物理发现

📋 核心要点

  1. 传统方法难以有效处理高维、噪声、非线性等复杂动力系统建模问题。
  2. PySHRED 采用浅层循环解码器，能够从快照观测数据中学习并建模复杂动力系统。
  3. PySHRED 软件包提供数据预处理和多种 SHRED 扩展，支持鲁棒感知、模型降阶和物理发现。

📝 摘要（中文）

SHallow REcurrent Decoders (SHRED) 提供了一种深度学习策略，用于从动力系统快照观测数据中建模高维动力系统和/或时空数据。PySHRED 是一个 Python 包，它实现了 SHRED 及其几个主要扩展，包括用于鲁棒感知、降阶建模和物理发现。本文介绍了 PySHRED 的 1.0 版本，其中包括数据预处理器和许多专门设计用于处理真实世界数据的尖端 SHRED 方法，这些数据可能是有噪声的、多尺度的、参数化的、维度过高的和强非线性的。该软件包易于安装，文档齐全，附有大量代码示例，并且模块化结构支持未来的添加。整个代码库在 MIT 许可下发布，可在 https://github.com/pyshred-dev/pyshred 获取。

🔬 方法详解

问题定义：该论文旨在解决从高维动力系统快照观测数据中进行有效建模的问题。现有方法在处理噪声、多尺度、参数化、高维度和强非线性等真实世界数据时面临挑战，难以实现鲁棒的感知、有效的模型降阶和准确的物理规律发现。

核心思路：论文的核心思路是利用浅层循环解码器 (SHRED) 学习动力系统的潜在表示，并利用该表示进行建模、预测和控制。SHRED 旨在通过浅层网络结构降低计算复杂度，同时利用循环连接捕捉时间依赖性。

技术框架：PySHRED 软件包包含以下主要模块：数据预处理器（用于处理各种类型的数据）、SHRED 模型实现（包括多种变体，如用于鲁棒感知的变体、用于降阶建模的变体和用于物理发现的变体）以及评估工具（用于评估模型的性能）。用户可以使用这些模块构建自己的动力系统建模流程。

关键创新：该论文的关键创新在于提供了一个易于使用、模块化且功能丰富的 Python 软件包，用于实现和扩展 SHRED 方法。该软件包包含多种针对真实世界数据优化的 SHRED 变体，并提供了详细的文档和示例代码，方便用户使用。

关键设计：PySHRED 软件包中的 SHRED 模型通常由一个浅层循环神经网络组成，例如 LSTM 或 GRU。损失函数的设计取决于具体的应用，例如，在物理发现中，可以使用稀疏回归来识别控制方程。软件包还提供了多种数据预处理方法，例如标准化和降维，以提高模型的性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

PySHRED 1.0 版本提供了多种针对真实世界数据优化的 SHRED 方法，包括用于鲁棒感知的变体、用于降阶建模的变体和用于物理发现的变体。软件包包含详细的文档和示例代码，方便用户使用。通过提供的示例，用户可以快速上手并应用于自己的研究领域。

🎯 应用场景

PySHRED 软件包可应用于多个领域，包括流体动力学、气候建模、生物系统建模和控制。它可以用于从实验数据或模拟数据中学习动力系统的模型，并利用这些模型进行预测、控制和优化。该软件包的易用性和模块化设计使其成为研究人员和工程师的有力工具。

📄 摘要（原文）

SHallow REcurrent Decoders (SHRED) provide a deep learning strategy for modeling high-dimensional dynamical systems and/or spatiotemporal data from dynamical system snapshot observations. PySHRED is a Python package that implements SHRED and several of its major extensions, including for robust sensing, reduced order modeling and physics discovery. In this paper, we introduce the version 1.0 release of PySHRED, which includes data preprocessors and a number of cutting-edge SHRED methods specifically designed to handle real-world data that may be noisy, multi-scale, parameterized, prohibitively high-dimensional, and strongly nonlinear. The package is easy to install, thoroughly-documented, supplemented with extensive code examples, and modularly-structured to support future additions. The entire codebase is released under the MIT license and is available at https://github.com/pyshred-dev/pyshred.