使用图神经网络寻找哈密顿回路

Jun, 2023

Finding Hamiltonian cycles with graph neural networks

Filip Bosnić, Mile Šikić

TL;DR通过小型消息传递图神经网络在临界状态下预测 Erdos-Renyi 随机图上的哈密顿回路，相较于现有的手工启发式方法，训练单个 GPU 大约 2.5 小时后性能表现更好，这种训练方法相较于手工设计的启发式算法具有较快的训练速度和较少的问题特定知识要求，并且通过使用监督学习算法在人工构建的问题实例上进行训练，避免了使用现有求解器产生的监督信号干扰，最终模型在更大规模图形上具有良好的泛化表现。

Abstract

We train a small message-passing graph neural network to predict Hamiltonian cycles on Erd\H{o}s-R\'enyi random graphs in a critical regime. It outperforms existing hand-crafted heuristics after about 2.5 hours of training on a single GPU. Our findings encourage an alternative approach

message-passing graph neural network hamiltonian cycles erdos-renyi random graphs np-hard problems supervised learning

发现论文，激发创造

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

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

物理启发图神经网络的组合优化

本文介绍了如何使用图神经网络来解决组合优化问题，包括最大割、最小顶点覆盖和最大独立集等一些组合优化问题。通过在问题哈密顿量上应用松弛策略，我们生成了一个可区分的损失函数，并在无监督训练过程结束后对整数变量进行简单的投影。实验表明，我们的方法在解决包含数百万个变量的问题时能够胜任。

Jul, 2021

用 Hamiltonian 图神经网络直接从轨迹中发现符号规律

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

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

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

图卷积网络与引导树搜索的组合优化

文章提出一种基于深度学习和启发式算法的图卷积网络方法，用于解决某些 NP 困难问题，并在四个 NP 困难问题和五个数据集上进行了评估，结果表明该方法在某些 NP 困难问题上已经达到了高度优化的最新启发式算法的水平，并具有较强的泛化性和扩展性。

Oct, 2018

利用神经网络泛化哈密顿蒙特卡罗

本文介绍了一种使用深度神经网络参数化的通用方法来训练 Markov 链蒙特卡洛核，该方法收敛快、混合快，并且我们在一系列简单但具有挑战性的分布中展示了大量的实证收益，并在一个真实的任务中展示了定量和定性的增益：潜变量生成建模。同时，我们还发布了算法的开源 TensorFlow 实现。

Nov, 2017

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

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