通过学习非欧哈密顿量实现非牛顿天文学的数据驱动发现
机器学习
2022-10-04 v1
摘要
将物理动力学的哈密顿结构融入深度学习模型，为提高可解释性和预测精度提供了有力途径。尽管以往工作大多局限于欧氏空间，但当旋转构成动力学的关键组成部分时（例如N体天体相互作用中超越简单点质量动力学的更高阶物理），需要将其推广到李群流形上。此外，这些过程的多尺度特性对现有方法提出了挑战，因为需要较长的时间范围。通过利用保辛李群流形积分器，我们提出了一种数据驱动发现非牛顿天文学的方法。初步结果表明了这两种特性在训练稳定性和预测精度方面的重要性。
引用
@article{arxiv.2210.00090,
title = {Data-driven discovery of non-Newtonian astronomy via learning non-Euclidean Hamiltonian},
author = {Oswin So and Gongjie Li and Evangelos A. Theodorou and Molei Tao},
journal= {arXiv preprint arXiv:2210.00090},
year = {2022}
}