用于推断与噪声调控的物理约束嵌入神经网络
机器学习
2021-05-20 v1 应用物理
摘要
神经网络通常需要大量数据才能泛化，并且可能不适合建模小型且有噪声的实验数据集。在稀缺且有噪声的数据上训练的标准网络架构会返回违背底层物理的预测。在本文中，我们提出了在神经网络中嵌入偶-奇对称性和守恒定律的方法，并提出了物理约束嵌入神经网络的新颖扩展与用例。我们设计了一种偶-奇分解架构，用于将神经网络参数化函数解耦为其偶分量和奇分量，并证明它能在无先验知识的情况下准确推断对称性。我们强调了物理约束嵌入神经网络的抗噪特性，并展示了它们作为物理信息噪声调控器的效用。在此，我们采用嵌入能量守恒约束的网络作为符号回归任务的物理信息噪声调控器。我们展示了我们的方法返回了与底层物理吻合良好的神经网络参数化函数的符号表示，同时优于基线符号回归方法。
引用
@article{arxiv.2105.09146,
title = {Physical Constraint Embedded Neural Networks for inference and noise regulation},
author = {Gregory Barber and Mulugeta A. Haile and Tzikang Chen},
journal= {arXiv preprint arXiv:2105.09146},
year = {2021}
}
备注
14 pages, 10 figures