运动常数网络
该研究通过应用机器学习技术(FJet)获得了一个动力学模型,然后使用 Lie 对称技术对这个动力学模型进行分析,得到了运动常数。该分析针对一维和二维谐振子的受守恒与非守恒情况进行,找到了在欠阻尼、过阻尼和临界阻尼情况下的常数。此外,该研究还在各向同性和非各向同性情况下找到了常数,并推广到任意维度。研究还确认了一个常数,使角动量在所有频率之间的比例上得到推广。该研究方法可以从单个通用数据集产生多个运动常数。
Mar, 2024
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
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
本研究利用 Hamilton 力学来为神经网络提供更好的归纳偏差,使其能够在自我监督的状态下学习并遵守物理中的守恒定律;研究表明我们的模型在能量守恒等问题上具有更快的训练速度和更好的泛化性能,并且是一个完全可逆的时间模型。
Jun, 2019
通过内在对称性的理论框架,使用有限差分法实现了在实践中使用的有限学习率的精确积分表达式来描述在任何数据集上通过深度学习训练出的当代网络体系结构的各种参数组合的学习动力学。
Dec, 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
我们介绍了一种用于训练动力学系统的保守型物理信息神经网络和深度算子网络的方法,该方法利用基于投影的技术将通过神经网络求解器学习到的候选解映射到不变流形上。我们证明了在数学科学的几个实际问题中,相比于非保守型方法,精确保守型的物理信息神经网络求解器和深度算子网络在性能上有巨大的优势。
Nov, 2023
研究比较了使用神经网络完成行人运动预测的复杂模型和简单模型,发现简单的恒定速度模型性能表现更好,说明研究者需要重新考虑神经网络的输入处理方式以及神经网络学习的环境先验对泛化能力的消极影响,并且需要在未来研究方向中注重对神经运动预测进行综合评估。
Mar, 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