论文阅读问题总结(四)：Data-driven discovery of partial differential equations

1. 本文主要想解决什么问题？

本文想要通过使用某个系统在空域上的时间序列观测到的数据，采用稀疏回归方法挑选支配系统运的非线性项和偏导项，从而确定可以准确拟合数据的偏微分方程(PDE)(In a word, find PDE but not solve PDE)。
这一方法平衡了模型的复杂度和回归的准确性。

2. 研究找偏微分方程(PDE)这一问题的实际意义？

提供了新技术用来解决在不能用第一性原理推导的以及定量分析的参数化时空系统中(神经科学、电网、流行病学、金融、生态学等系统)仍可以求解支配系统运作的偏微分方程或物理法则。

3.文中提到Pareto analysis(帕累托分析)，什么是帕累托分析？

帕累托分析法（Pareto analysis）原本是是制定决策的统计方法，用于从众多任务中选择有限数量的任务以取得显著的整体效果。帕累托分析法使用了帕累托法则，关于做20%的事可以产生整个工作80%的效果的法则。
简而言之帕累托分析的主要思想是抓主要矛盾，忽略次要矛盾，在本问题上就是在众多偏导项和非线性项中通过稀疏线性回归方法学习到在对系统描述的偏微分方程中起主导作用的几项。

4.本文的其他innovation？

1.本文提出的方法可以处理时空数据和高维数据(innovative的采样技术)。
2.传感器(sensor)固定位置和位置变化的系统都可以进行时间序列的测量。

5.本文问题形式化定义以及算法解决？

我们假定使用算法并通过系统中收集到的离散化数据集求解的PDE方程的具有的一般形式为：
$$u_t=N(u,u_x,u_{xx},...,x,$$