最后,用一种具有权参数的前馈神经网络fq对宏观动力学fθ进行参数化。它的输入和输出层神经元的数量等于宏观状态q的维数。它有两个隐藏层,每层有64个神经元,输出使用LeakyReLU进行转换。为了计算EI,我们将这个前馈神经网络看作一个高斯分布,它对条件概率p(yt+1|yt)进行建模。当神经网络收敛时,yt与yt+1之间的互信息近似于xt与xt+1之间的互信息,因此需要方程{{EquationNote|1}}中的约束。 | 最后,用一种具有权参数的前馈神经网络fq对宏观动力学fθ进行参数化。它的输入和输出层神经元的数量等于宏观状态q的维数。它有两个隐藏层,每层有64个神经元,输出使用LeakyReLU进行转换。为了计算EI,我们将这个前馈神经网络看作一个高斯分布,它对条件概率p(yt+1|yt)进行建模。当神经网络收敛时,yt与yt+1之间的互信息近似于xt与xt+1之间的互信息,因此需要方程{{EquationNote|1}}中的约束。 |