用于非完美对称动力学的近似等变网络
机器学习
2022-06-17 v4
摘要
将对称性作为归纳偏置引入神经网络架构，已在动力学建模的泛化性、数据效率和物理一致性方面带来改进。CNN 或等变神经网络等方法利用权值绑定来强制平移不变性或旋转等变性等对称性。然而，尽管物理定律遵循许多对称性，真实世界动力学数据由于噪声或不完整数据，或由于底层动力系统中的对称性破缺特征，很少符合严格的数学对称性。我们探索近似等变网络，其偏向于保持对称性但未被严格约束这样做。通过放宽等变约束，我们发现我们的模型在模拟湍流域和真实世界多流射流中均优于无对称性偏置的基线和具有过度严格对称性的基线。
引用
@article{arxiv.2201.11969,
title = {Approximately Equivariant Networks for Imperfectly Symmetric Dynamics},
author = {Rui Wang and Robin Walters and Rose Yu},
journal= {arXiv preprint arXiv:2201.11969},
year = {2022}
}