时间反演对称 ODE 网络
机器学习
2021-01-08 v3 计算物理
机器学习
摘要
时间反演对称性要求系统的动力学不随时间轴反转而改变，这是经典力学与量子力学中经常成立的基本属性。本文提出一种新颖的损失函数，用于度量我们的常微分方程（ODE）网络遵守该时间反演对称性的程度；它由 ODE 网络在正向与反向动力学之间时间演化的差异正式定义。随后，我们设计了一个新框架，命名为时间反演对称 ODE 网络（TRS-ODENs），可通过所提损失函数进行学习，从而以更高的样本效率学习物理系统的动力学。我们在若干经典动力学上评估了 TRS-ODENs，发现其能从观测到的含噪且复杂的轨迹中学习到期望的时间演化。我们还表明，即便对于不完全具备时间反演对称性的系统，TRS-ODENs 也能取得优于基线的预测性能。
引用
@article{arxiv.2007.11362,
title = {Time-Reversal Symmetric ODE Network},
author = {In Huh and Eunho Yang and Sung Ju Hwang and Jinwoo Shin},
journal= {arXiv preprint arXiv:2007.11362},
year = {2021}
}
备注
15 pages; accepted to NeurIPS 2020; Code is available at https://github.com/inhuh/trs-oden; v3: references added, typo corrected