用于深度学习的牛顿方案
机器学习
2018-10-18 v1 经典物理
摘要
我们引入了一种严格由牛顿定律支配的神经网络(NN)，其本质所需基函数源自基础经典力学。然后，通过将训练模型分类为“力模式”识别的快速过程，我们发展了基于牛顿物理的NS方案。一旦力模式被确认，该神经网络只需检查“模式稳定性”，而非通过消耗计算资源的大数据驱动处理进行连续拟合。在给定物理学定律体系中，一旦场被确认，用于力场描述的数学基实际上不发散而是可数的，这可使函数表示免于穷尽可用的数学基。在这项工作中，我们将牛顿定律注入深度学习技术并提出了牛顿方案(NS)。在NS下，用户首先识别路径模式，如匀加速运动。物体识别技术首先载入质量信息，然后NS找到匹配的物理模式，并以近乎零误差描述和预测运动的轨迹。我们将此NS的主要贡献与TCN、GRU及其他受物理启发的“FIND-PDE”方法进行比较，以展示NS如何作用于自由落体、摆球和曲线足球的基础及扩展应用。NS方法论为未来深度学习的进展提供了更多机会。
引用
@article{arxiv.1810.07550,
title = {The Newton Scheme for Deep Learning},
author = {Junqing Qiu and Guoren Zhong and Yihua Lu and Kun Xin and Huihuan Qian and Xi Zhu},
journal= {arXiv preprint arXiv:1810.07550},
year = {2018}
}
备注
7 pages, 10 figures