Nov, 2023
基于时间相关哈密尔顿动力学的哈密尔顿 - 雅各比偏微分方程在持续科学机器学习中的应用
Leveraging Hamilton-Jacobi PDEs with time-dependent Hamiltonians for continual scientific machine learning
Paula Chen, Tingwei Meng, Zongren Zou, Jérôme Darbon, George Em Karniadakis
TL;DR我们提出了一种新的理论方法,通过与泛化 Hopf 公式的建立来提高科学机器学习 (SciML) 过程的可解释性,并且该方法与最优控制问题和 Hamilton-Jacobi 偏微分方程 (HJ PDE) 的时间相关哈密顿量有关。同时,我们提供了一种基于 Riccati 的方法来解决学习问题,以应用于持续学习任务。