PulseAugur
中
实时 09:19:49
English(EN) CSympNet-ID: conformal-symplectic map learning for linearly damped Hamiltonian systems

新框架学习具有共形辛特性的耗散动力学

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了CSympNet-ID，一种用于学习线性阻尼哈密顿系统中耗散动力学的新框架。该方法直接从观测数据中学习一步流映射，通过构造强制执行精确的离散共形辛特性。该架构集成了辛神经网络核心和显式缩放层，确保了可解释的耗散因子。CSympNet-ID表现出卓越的性能，尤其是在数据稀疏场景和高维测试中，优于非结构化基线。 AI

影响 引入了一种学习复杂物理动力学的新方法，有可能改善科学模拟中的长时预测。

排序理由 学术论文，详细介绍了针对特定科学领域的新机器学习框架。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新框架学习具有共形辛特性的耗散动力学

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Jiale Gong (School of Mathematics), Pengzhan Jin (National Engineering Laboratory for Big Data Analysis and Applications, Peking University, Beijing, China), Dongyang Kuang (School of Mathematics), Lu Li (School of Mathematics), Yifa Tang (State Key Labo… ·

    CSympNet-ID: conformal-symplectic map learning for linearly damped Hamiltonian systems

    arXiv:2607.03339v1 Announce Type: new Abstract: Learning dissipative dynamics from discrete observations is essential for reliable long-horizon prediction and physically meaningful parameter identification. For linearly damped Hamiltonian systems, the exact flow is generally not …

相关话题