ICLRJul, 2019

深度 Lagrangian 网络：以物理学为深度学习的模型先验

PDF
TL;DR使用理论物理知识，以很少的数据为样本，提出了一种新的深度学习方法 Deep Lagrangian Networks (DeLaN)，可用于机器人轨迹跟踪控制，能够在实时学习中更快速，更准确地进行模型学习， 并能更加可靠地对新的轨迹进行外推
deep learningphysics modelsmodel-based controldeep lagrangian networksreal-time learning
发现论文，激发创造
  • 用于欠驱动系统的能量势控制端到端深度 Lagrangian 神经网络学习

    应用深度学习于机器人控制的方法可以提高设计机器人控制定律的智能性，本文提出了一种深度控制的方法，通过扩展 DeLaN 网络到能源控制上实现了通过泛化函数逼近进行的能源控制的学习，该方法在 Furuta 摆控制方面表现出优异的实时控制性能。

    Jul, 2019

  • 物理引导的深度学习用于动力系统：一份调查

    本文概述了将先验物理知识或基于物理建模方法与深度学习相结合的现有方法，并重点讨论了在学习动力系统方面所面对的基本挑战和新兴机遇。

    Jul, 2021

  • 基于物理知识约束的神经网络用于动力系统建模

    利用物理学基础知识作为先验知识，通过将物理学基础知识注入到神经网络结构中，从轨迹数据中学习动力学模型，并在模型的训练过程中通过增广拉格朗日法强制实施物理学知识约束，实验证明该做法比不包括先验知识的基线方法在相同的训练数据集上能够将系统动力学预测准确率提升两个数量级。

    Sep, 2021

  • 通过模块化和物理归纳偏差学习具有泛化动力学的 ModLaNets

    提出了一种具有模块化和物理归纳偏差的结构神经网络框架，即 Modular Lagrangian Network (ModLaNet)，它利用模块化来建模每个元素的能量，并通过拉格朗日力学构建目标动力学系统，从而可以从简单系统的动力学中学习并扩展到更复杂的系统，以提高其他相关物理感知神经网络不具备的数据效率和准确性性能。在对双摆和三体系统进行建模的同时，还将模型重新组织为扩展模型，用于模拟多摆和多体系统，展示了该框架的有趣的可重用性特征。

    Jun, 2022

  • 深度隐式物理模型：非线性偏微分方程的深度学习

    本文提出了一种基于深度学习的方法，可以从散乱的、有可能带有噪声的时空数据中，发现非线性偏微分方程，该方法通过两个深度神经网络来近似未知解和非线性动力学，并测试了其在多个科学领域的效果。

    Jan, 2018

  • 物理信息多 LSTM 网络用于非线性结构模型化

    本文介绍了一种基于物理知识的深度学习框架，其利用少量数据对非线性结构系统进行元建模，并成功演示了其对复杂结构的精确预测性能。

    Feb, 2020

  • 物理过程的深度学习：融入先前的科学知识

    用深度学习方法建模复杂现象，以海表温度预测为例，展示了从物理学中获取的背景知识如何指导设计高效的深度学习模型，并证明了一个物理现象的微分方程的解与提出的模型之间的形式上的联系。

    Nov, 2017

  • 从图像中无监督学习拉格朗日动力学以实现预测和控制

    该研究论文介绍了一种新的无监督神经网络模型，利用可解释的广义坐标学习图像中的拉格朗日力学，以及物理系统性质的预测和控制。

    Jul, 2020

  • 基于物理学信息的无标签数据计算弹性动力学的深度学习

    本文提出了一种基于物理学信息神经网络（PINN）的方法来解决在没有标注数据的情况下建模弹性动力学问题的挑战，进一步解决了复杂的 I/BCs 在弱正则化 PINN 框架下无法很好满足的问题，在多个数值弹性例子中展示了该方法的可行性。

    Jun, 2020

  • 从数据中发现可解释性动力系统的贝叶斯框架

    使用稀疏贝叶斯方法从有限数据中学习可解释的物理系统的 Lagrangian 描述，自动进行 Hamiltonian 的蒸馏，提供观测系统的常微分方程 (ODE) 和偏微分方程 (PDE) 的描述。

    Oct, 2023