利用神经网络学习哈密顿系统的轨迹
人工智能
2024-07-18 v1 机器学习
摘要
用神经网络对保守系统建模是一个活跃的研究领域。一种流行的方法是使用哈密顿神经网络(HNNs)，其依赖于保守系统由哈密顿运动方程描述这一假设。许多近期工作聚焦于改进训练HNNs时使用的积分方案。本工作中，我们提出通过使用一个额外的神经网络（文献中称为深度隐式物理模型）来估计所建模型的连续时间轨迹，从而增强HNNs。我们证明所提积分方案对HNNs效果良好，尤其在低采样率、含噪声及不规则观测情况下。
引用
@article{arxiv.2204.05077,
title = {Learning Trajectories of Hamiltonian Systems with Neural Networks},
author = {Katsiaryna Haitsiukevich and Alexander Ilin},
journal= {arXiv preprint arXiv:2204.05077},
year = {2024}
}