ModLaNets：通过模块化与物理归纳偏置学习可泛化动力学
机器学习
2022-07-05 v3
摘要
深度学习模型能够逼近某一特定动力系统，但难以学习可泛化动力学，其中动力系统遵循相同物理定律但包含不同数量的元素（例如双摆与三摆系统）。为缓解此问题，我们提出了模块化拉格朗日网络(ModLaNet)，一种具有模块化与物理归纳偏置的结构化神经网络框架。该框架利用模块化对每一元素的能量建模，进而通过拉格朗日力学构建目标动力系统。模块化有益于复用已训练网络并缩减网络与数据集规模。因此，我们的框架能从较简单系统的动力学中学习并扩展至更复杂者，这是其他相关物理信息神经网络所无法做到的。我们以小规模训练数据集检验了框架对双摆或三体系统的建模，其中我们的模型相较同类取得了最佳数据效率与精度表现。我们还将模型重组为扩展以建模多摆与多体系统，展示了框架引人注目的可复用特性。
引用
@article{arxiv.2206.12325,
title = {ModLaNets: Learning Generalisable Dynamics via Modularity and Physical Inductive Bias},
author = {Yupu Lu and Shijie Lin and Guanqi Chen and Jia Pan},
journal= {arXiv preprint arXiv:2206.12325},
year = {2022}
}
备注
Accepted by ICML 2022