新的神经网络框架学习复杂的李-泊松系统动力学

研究人员开发了潜在李-泊松神经网络（LLPNNs），这是一个新颖的框架，旨在直接从可观测数据中学习和预测李-泊松系统的动力学。这些系统对于模拟各种物理现象至关重要，包括刚体和流体动力学，但通常涉及不可观测的潜在变量。LLPNNs 利用诸如哈密顿解码器、诺特定理不变性和李群更新等几何原理来保持动力学的底层结构。该方法在适度大小的数据集和神经网络架构上展示了强大的长期预测精度、噪声鲁棒性和效率。 AI

影响 这项研究推动了保持结构特性的神经网络，有望提高复杂物理系统长期预测的准确性。

排序理由 该集群包含一篇详细介绍新型机器学习模型及其理论基础的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• Hamiltonian Systems and Transformation in Hilbert Space
• Latent Lie-Poisson Neural Networks
• Lie--Poisson systems
• LLPNNs
• Noether invariant
• rotation group SO(3)
• SE(2)-Constrained Visual Inertial Fusion for Ground Vehicles
• SE(3)-Transformers: 3D Roto-Translation Equivariant Attention Networks
• Vakhtang Putkaradze

• 论文
• 模型发布

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