迫使机器学习输出物理精确的结果
计算物理
2020-03-18 v2 机器学习
摘要
许多机器/深度学习人工神经网络被训练为简单的插值函数，以线性或非线性方式从训练数据中映射输入变量到输出值。即使训练数据的输入/输出对物理上精确（例如实验或数值模拟结果），插值量也可能偏离物理精确性很远。尽管可将网络输出投影到物理可行区域，但此类后处理未被训练网络时所最小化的能量函数捕获；因此，最终投影结果可能错误地偏离训练数据很远。我们提议将任何此类投影或后处理直接折叠进网络中，使最终结果由能量函数与训练数据正确比较。尽管我们提出一种通用方法，我们在一个特定的卷积神经网络上展示其效能，该网络接收人体姿态参数（关节旋转）并输出表示三角化布网格的顶点位置预测。原网络输出的顶点位置具有错误的过高拉伸与压缩能量，而用我们的物理先验训练的新网络修正了这些问题，产生高度改进的结果。
引用
@article{arxiv.1910.09671,
title = {Coercing Machine Learning to Output Physically Accurate Results},
author = {Zhenglin Geng and Dan Johnson and Ronald Fedkiw},
journal= {arXiv preprint arXiv:1910.09671},
year = {2020}
}