神经物理学家：从图像序列学习物理动力学
机器学习
2020-06-11 v1 人工智能
机器学习
摘要
我们提出一种名为神经物理学家（NeurPhy）的新架构，使用深度神经网络直接从图像序列学习物理动力学。对任意物理系统，给定全局系统参数，状态的时间演化由底层物理定律支配。如何以端到端方式学习有意义的系统表示并估计准确的状态转移动力学以促进长期预测，一直是长期存在的挑战。本文借助表示学习与状态空间模型（SSMs）的近期进展，提出NeurPhy：其使用变分自编码器（VAE）提取各时间步下的底层马尔可夫动态状态，使用神经过程（NP）提取全局系统参数，并使用非线性非递归随机状态空间模型学习物理动态转移。我们将NeurPhy应用于两个物理实验环境，即阻尼摆与行星轨道运动，并取得有前景的结果。我们的模型不仅能提取具物理意义的状态表示，还能学习状态转移动力学以实现对未见图像序列的长期预测。此外，从潜状态空间的流形维度，我们可轻易辨识底层物理系统的自由度（DoF）。
引用
@article{arxiv.2006.05044,
title = {Neural Physicist: Learning Physical Dynamics from Image Sequences},
author = {Baocheng Zhu and Shijun Wang and James Zhang},
journal= {arXiv preprint arXiv:2006.05044},
year = {2020}
}
备注
19 pages, 20 figures