用于哈密顿系统模型简化的辛自编码器
控制导向的、结构保持的学习关于高维物理系统的低维近似,重点研究机械系统。我们研究了在模型阶数降低中整合神经自编码器,同时保留哈密顿或拉格朗日结构。我们着重评估所考虑方法的性能,通过在包含数百个状态的大型质量 - 弹簧 - 阻尼网络上进行模拟和控制实验。实证结果显示,少于 5 个自由度的压缩潜在动态可以以约 4% 的相对总误差准确重构原始系统的瞬态和稳态行为,同时准确重构总能量。利用这种系统压缩技术,我们介绍了一种基于模型的控制器,利用压缩模型的数学结构来调节受强减调控机械系统的配置。
Dec, 2023
本研究提出一种基于深度学习的非线性模型降维策略,通过深度卷积自编码器和 LSTM 网络构建模块化模型,实现繁重计算任务中的模型降维,同时保持计算效率和系统稳定性。
Aug, 2018
使用数据学习 Hamilton 系统的框架,基于 lifting 假设,将非线性 Hamilton 系统用具有三次 Hamilton 量的非线性系统表示,并通过强制施加 Hamilton 结构和辛自编码器来学习二次动力系统,实现了系统的长期稳定性和相对较低的模型复杂度。
Aug, 2023
本文介绍了两种基于二次流形的数据驱动方法,用于对高维哈密尔顿系统进行辛模型降维。这些方法相比于线性的辛子空间模型具有更高的精度,并能为超出其训练数据范围的场景提供精确的结果预测。
May, 2023
最近开发的降阶建模技术旨在从数据中学习的低维流形上近似非线性动力系统。我们介绍了一种由约束的自动编码器神经网络描述的参数化非线性投影类,其中流形和投影纤维都是从数据中学习得到的。此外,我们还提出了一些新的动力学感知成本函数,以促进学习考虑快速动力学和非正常性的斜投影纤维。为了展示这些方法及其解决的特定挑战,我们提供了一个关于涡街现象的三状态模型的详细案例研究。同时,我们还提出了几种基于我们提出的非线性投影框架构建计算高效的降阶模型的技术。这包括一种用于避免计算 Grassmann 流形上有害的权重矩阵收缩的新型稀疏促进惩罚项的编码器。
Jul, 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
使用具有热力学感知能力的神经网络,通过增加物理系统的测量分辨率并预测其时间演化。该方法使用对抗自编码器将完全有序模型的维数降低到一组隐变量中,并确保这些变量符合先验(例如正态分布)。然后,利用第二个神经网络学习隐变量的物理结构和预测其时序演变,该神经网络称为结构保持神经网络。通过将整合轨迹解码为其原始维度以及由对抗自编码器产生的高维空间,将其与真实解进行比较。该方法在两个流体在圆柱上的例子中进行了测试,液体属性在两个例子之间存在变化。
Feb, 2024
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
使用自编码器的非线性降维和神经网络的非线性操作推断,通过在降维空间中引入合成约束,解决了混沌动力学的降阶建模问题,使模型既能够保持完全非线性和高度不稳定,又能防止发散,在经典的 Lorenz 方程中进行了演示,并表明我们的方法可以使用更少的数据产生较低误差的中长程预测。
May, 2023
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