Symplectic ODE-Net：学习带控制的Hamilton动力学
机器学习
2024-03-04 v5 系统与控制
系统与控制
计算物理
机器学习
摘要
本文中，我们引入Symplectic ODE-Net（SymODEN），一个深度学习框架，该框架可从观测到的状态轨迹推断由常微分方程（ODE）给出的物理系统动力学。为了在更少训练样本下实现更好的泛化，SymODEN通过以物理信息化的方式设计相应的计算图来引入恰当的归纳偏置。特别地，我们施加带控制的Hamilton动力学以透明的方式学习底层动力学，其后可被用以洞察系统相关的物理方面，如质量和势能。此外，我们提出一种参数化方法，即使广义坐标数据嵌入于高维空间中或我们只能获取速度数据而非广义动量时，也能强制该Hamilton形式。该框架通过为物理系统提供可解释、物理一致的模型，为综合基于模型的控制策略开辟了新可能。
引用
@article{arxiv.1909.12077,
title = {Symplectic ODE-Net: Learning Hamiltonian Dynamics with Control},
author = {Yaofeng Desmond Zhong and Biswadip Dey and Amit Chakraborty},
journal= {arXiv preprint arXiv:1909.12077},
year = {2024}
}
备注
Published as a Conference Paper at ICLR 2020