用于非线性动力学建模的物理引导神经网络
机器学习
2022-06-01 v1 混沌动力学
摘要
当前人工智能浪潮的成功部分归功于深度神经网络，其已被证明能以最少的人为干预从大型数据集中学习复杂模式。然而，仅凭数据难以在复杂动力系统上训练这些模型，因其数据效率低且对超参数与初始化敏感。本工作表明，在 DNN 的中间层注入部分已知信息可提升模型精度、降低模型不确定性，并在训练中改善收敛。这些物理引导神经网络的价值已通过学习多种非线性动力系统动力学得到证明，该系统由非线性系统理论中五个著名方程表示：Lotka-Volterra、Duffing、Van der Pol、Lorenz 与 Henon-Heiles 系统。
引用
@article{arxiv.2205.06858,
title = {Physics guided neural networks for modelling of non-linear dynamics},
author = {Haakon Robinson and Suraj Pawar and Adil Rasheed and Omer San},
journal= {arXiv preprint arXiv:2205.06858},
year = {2022}
}