Deepmechanics

物理信息深度学习模型已成为学习 dynamical systems（动力系统）的强大工具。这些模型直接将物理原理编码到网络架构中。然而，对这些方法在多样化物理现象上的系统性基准测试仍有限，尤其是保守系统和耗散系统。此外，迄今为止进行的基准测试未能将完整轨迹纳入考虑以检验稳定性。在本工作中，我们使用DeepChem框架——一个开源科学机器学习库，对三种突出的物理信息架构进行基准测试，包括哈密顿神经网络（HNN）、拉格朗日神经网络（LNN）和符号记忆神经网络（SRNN）。我们在六个动力系统上进行评估，涵盖经典保守力学系统（质量-弹簧系统、简易摆、双摆、三体问题、弹簧摆）和具有接触的耗散系统（反弹球）。我们通过计算预测轨迹的误差来评估模型，并对误差进行定量和定性分析。我们发现，所有基准模型在混沌或非保守系统上难以维持稳定性。我们的结果表明，物理信息深度学习模型要学习经典力学系统的稳健模型仍需更多研究。