耗散 SymODEN：将带耗散与控制的哈密顿动力学编码入深度学习
机器学习
2020-05-01 v3 系统与控制
系统与控制
机器学习
摘要
在这项工作中，我们提出 Dissipative SymODEN，一种可从观测状态轨迹推断带耗散物理系统动力学的深度学习架构。为了在减小网络规模的同时提高预测精度，Dissipative SymODEN 将带能量耗散和外部输入的端口哈密顿动力学编码进其计算图的设计中，并以结构化方式学习动力学。所学习的模型通过揭示系统的关键方面（如惯性、耗散和势能），为基于能量的控制器铺平了道路。
引用
@article{arxiv.2002.08860,
title = {Dissipative SymODEN: Encoding Hamiltonian Dynamics with Dissipation and Control into Deep Learning},
author = {Yaofeng Desmond Zhong and Biswadip Dey and Amit Chakraborty},
journal= {arXiv preprint arXiv:2002.08860},
year = {2020}
}
备注
Published at ICLR 2020 Workshop on Integration of Deep Neural Models and Differential Equations (DeepDiffEq)