基于数据的一般哈密顿动力学预测 —— 学习精确辛映射
利用哈密尔顿图神经网络 (HGNN) 直接从物理系统轨迹学习系统动力学，推断能量泛函的根本方程，并从物理系统轨迹中透明地发现相互作用定律。
Jul, 2023
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
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
本文提出了一种基于端口哈密顿形式的神经网络模型用于学习非自主系统中的动态学，能够高效地恢复非线性物理系统的动力学，时间依赖力和耗散系数，并能够学习和预测混沌系统，如 Duffing 方程。
Jul, 2021
使用数据学习 Hamilton 系统的框架，基于 lifting 假设，将非线性 Hamilton 系统用具有三次 Hamilton 量的非线性系统表示，并通过强制施加 Hamilton 结构和辛自编码器来学习二次动力系统，实现了系统的长期稳定性和相对较低的模型复杂度。
Aug, 2023
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
本文介绍了哈密顿生成网络 (HGN) 和神经哈密顿流 (NHF)，这是第一种能够从高维度观察中连续地学习哈密顿动力学而无需限制性条件的方法，它能够可靠地从机器学习的角度解决很多问题。
Sep, 2019
Symplectic ODE-Net 是一个深度学习框架，使用 Hamilton 动力学对物理系统的动态进行建模，提供物理上一致的可解释的模型以及针对基于模型的控制策略的新可能性。
Sep, 2019