May, 2023

使用具有输出误差噪声模型的哈密顿神经网络进行基于物理的学习

PDF
TL;DR本文提出了一种基于输出误差 Hamiltonian Neural Network (OE-HNN) 建模方法，以解决带有输入和嘈杂状态测量的实物系统建模的问题，并扩展了 HNNs 的广义 Hamiltonian 理论，演示了此方法相对于传统的 HNNs 在建模性能方面的卓越优势。
hamiltonian neural networksenergy-conservative systemsmodelinginputsnoisy state measurements
发现论文，激发创造
  • 用神经网络学习哈密顿系统的轨迹

    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

  • 破解哈密顿神经网络的归纳偏差

    研究物理启发的神经网络的诱导偏差及其应用。表明与常规认识相反，通过直接建模加速度避免人工坐标系的人工复杂性，而不是辛结构或能量守恒，改善了 HNN 的广义性能。在实际中，通过放松这些模型的诱导偏差，可以在能量守恒系统上匹配或超过其性能，同时显著提高非守恒系统上的性能。作者将这种方法扩展到通用 Mujoco 环境的转换模型构建中，展示了我们的模型可以适当地平衡诱导偏差与需求灵活性，从而实现基于模型的控制。

    Feb, 2022

  • 利用赝哈密顿神经网络学习偏微分方程

    本文将伪哈密顿神经网络方法扩展到偏微分方程，生成包含三个神经网络的模型，分别模拟代表守恒、耗散和外力的项，并包括可学习的离散卷积算子，数值结果表明 PHNN 的卓越性能。此外，由于 PHNN 模型由三个有不同物理解释的部分组成，反演时可以分别研究每个部分，具有良好的泛化能力。

    Apr, 2023

  • 端口 - 哈密顿神经网络用于学习显式时变动力系统

    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

  • 分离型哈密尔顿神经网络

    建议了三种具备可加性可分性的 Hamilton 神经网络模型，通过减少状态变量之间的复杂性，更有效地回归 Hamilton 的向量场。

    Sep, 2023

  • Hamiltonian 神经网络

    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

  • 物理增强的神经网络预测有序与混沌

    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

  • ODE 积分器的哈密顿图网络

    本篇研究介绍了一种采用基于物理学的归纳偏差的方法来对学习模拟模型进行建模，并将图神经网络与可导求解器相结合用于预测未来状态，并使用哈密顿量作为一个内部表示。研究结果表明，这种方法在预测准确性、能量准确性和零样本泛化方面优于没有这些偏差的基线，并且原则上可适用于物理领域以外的其他领域。

    Sep, 2019

  • 机器学习在动态系统建模与分析中的应用

    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

  • 哈密尔顿生成网络

    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