待验证50% 置信事实精确时间

研究采用随机微分方程（SDE）模型来表示数字孪生，以捕捉生物过程的内在随机动态

1

来源数

50%

置信度

长期有效

时效性

2026/10/8

首次发现

来源

伴随法校准生物过程数字孪生：随机多尺度建模与最优控制

涉及实体

随机微分方程concept

相关事实

待验证神经随机微分方程是将经典SDE中的漂移项和扩散项替换为神经网络，从而在连续时间上建模随机动态过程72% 相似待验证SDECast 将天气演化建模为在连续时间上演化的随机过程，而非离散时间步的跳跃69% 相似待验证SDECast 扩展了 SDE Matching 方法，使其能够直接在物理空间中学习随机动力学68% 相似待验证SDECast 的连续时间随机框架为 AI 模型中的不确定性量化提供了一条不同于扩散模型集合或显式扰动方法的新路径67% 相似待验证扩散模型的随机采样本质决定了同一提示词每次生成结果均存在差异67% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/987043

API

curl https://kongchang.com/api/v1/knowledge/claims/987043

MCP

get_claim(id=987043)