Hamiltonian GAN
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
本文提出一种全数据驱动的方法,利用自编码神经网络组件估计哈密顿系统的相空间,通过另一个神经网络组件来逼近其哈密顿函数并在两个组件之间进行联合训练,提取了摆锤的相空间和生成哈密顿函数。
Jul, 2019
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
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
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
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
SAH-GNN 是一种新颖的方法,它通过在培训过程中采用对称史蒂费尔流形上的黎曼优化,以自适应地学习底层辛结构,从而推广了 Hamiltonian 动力学,实现了对各种图数据集的自动适应性,具有出色的节点分类任务性能和适应性。
Sep, 2023
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
通过元学习算法,本研究使用包含五种不同物理定律的数据集来识别神经网络中代表哈密顿方程的一般流形,并表明元训练模型可以在元训练阶段未见过的物理系统上适应,其能够在各种不同的动力系统中共享哈密顿方程的神经网络表示。
Dec, 2022