从轨迹中元学习可泛化的动力学
机器学习
2023-09-28 v2 计算物理
摘要
我们提出可解释元神经常微分方程（iMODE）方法，以从多个物理参数各异的动力学系统轨迹中快速学习可泛化（即不依赖于特定参数）的动力学。iMODE 方法采用双层优化框架学习元知识，即在不已知物理参数的情况下学习动力学系统实例力场的函数变化：外层捕捉所研究动力学系统实例间的公共力场形式，内层适配各系统实例。先验物理知识可作为归纳偏置便捷地嵌入神经网络架构中，如保守力场与欧氏对称性。利用学到的元知识，iMODE 可在数秒内建模未见过系统，并反推揭示系统物理参数知识，或作为神经量规（Neural Gauge）通过观测轨迹“测量”未见过系统的物理参数。我们在双稳态、双摆、范德波尔、Slinky 与反应扩散系统上验证了 iMODE 方法的有效性。
引用
@article{arxiv.2301.00957,
title = {Metalearning generalizable dynamics from trajectories},
author = {Qiaofeng Li and Tianyi Wang and Vwani Roychowdhury and M. Khalid Jawed},
journal= {arXiv preprint arXiv:2301.00957},
year = {2023}
}