基于常微分方程积分器的哈密顿图网络
机器学习
2019-09-30 v1 计算物理
摘要
我们提出一种在习得仿真模型中施加物理信息归纳偏置的方法。我们将图网络与可微分的常微分方程积分器结合，作为预测未来状态的机制，并以哈密顿量作为内部表示。我们发现，在预测精度、能量精度以及对训练时未经历的时间步长与积分器阶数的零样本泛化方面，我们的方法优于无这些偏置的基线。这推进了习得仿真的最先进水平，且原则上可应用于物理领域之外。
引用
@article{arxiv.1909.12790,
title = {Hamiltonian Graph Networks with ODE Integrators},
author = {Alvaro Sanchez-Gonzalez and Victor Bapst and Kyle Cranmer and Peter Battaglia},
journal= {arXiv preprint arXiv:1909.12790},
year = {2019}
}