本文通过应用 Hamilton 神经网络来学习和利用物理系统中保守量的对称约束，通过适当的损失函数来实现周期坐标的强制，从而在简单的经典动力学任务中实现了更高的准确性，进而拟合出网络中的隐向量的解析式，从中发现利用了保守量，如角动量。

Apr, 2021

本研究通过神经变换来学习哈密顿机械系统的对称性，需要新的网络体系结构来参数化辛变换，以维持哈密顿结构，并学习了可积模型的结构，这是神经变换适应一个受限于反演之外的家庭的典型示例。

Jun, 2019

使用结构和对称性的 Hamilton 神经网络预测非线性系统从秩序到混沌的相空间轨迹，以亨农 - 海尔斯系统为例进行实证研究，该技术的实用性和混沌广泛存在性启示着广泛的应用前景。

Nov, 2019

提出一种有效且轻量级的学习算法 —— 辛泰勒神经网络（Taylor-nets），用于基于稀疏、短期观察进行连续、长期预测复杂的哈密顿动态系统。该算法基于一种新颖的神经网络架构，它包含两个嵌入对称 Taylor 级数展开形式术语的子网络，并将四阶辛普勒积分器与神经 ODE 框架相结合，以学习目标系统的连续时间演化，同时保持其辛结构。在较小的训练数据、短训练周期（预测周期的 6000 倍）的情况下，该模型表现出了独特的计算优点，具有较高的预测精度、收敛速度和鲁棒性。

May, 2020

我们提出了一种深度神经网络架构，其输出形成了输入的可逆辛变换。利用这种神经网络类型，可以在未知哈密顿系统上进行学习任务，而不破坏相空间的固有辛结构。

Jun, 2024

使用物理上知悉的神经网络方法来分析含有一种运动第一积分的非线性哈密顿系统，并提出了一种结构，将现有的哈密顿神经网络结构与 Adaptable Symplectic 循环神经网络相结合，可以在整个参数空间内预测动力学，保留哈密顿方程以及相空间的辛结构。同时，利用神经网络的高维非线性能力，结合 Long Short Term Memory 网络进行判断嵌入定理的实现，构造系统的延迟嵌入，并将拓扑不变吸引子映射到真实形式。该方法对于单参数势能有效，并且即使在较长时间内也能提供准确的预测结果。

Jul, 2023

提出了一种新的神经网络架构 Nonseparable Symplectic Neural Networks (NSSNNs)，可以从有限的观察数据中发现并嵌入非可分离 Hamiltonian 系统的辛结构，从而预测分离和非分离 Hamiltonian 系统，包括混沌漩涡流。

Oct, 2020

通过将系统嵌入笛卡尔坐标并使用拉格朗日乘子显式地强制执行约束，本文证明了相较于使用广义坐标来编码系统约束的方法，使用笛卡尔坐标可以在准确度和数据效率方面提高 100 倍。

Oct, 2020

本文提出了一种使用提高了的积分方案的 Hamilton 神经网络，结合使用深度隐藏的物理模型来对保守系统进行数值模拟的方法，可以成功处理低采样率、嘈杂和不准确观测值。

Apr, 2022

为了解决大维物理系统不同参数选择下的计算成本过高问题，该研究提出了模型简化和神经网络结构的新方法，其中关键是保存系统的辛结构和利用网络设计中的微分几何结构进行训练，该方法在准确性方面表现显著优于现有设计。

Dec, 2023