PulseAugur
中
实时 07:48:52
English(EN) Extrapolating the emergence of Hamiltonian chaos with random-feature Hamiltonian neural networks

新型神经网络可预测训练数据之外的汉密尔顿混沌

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新型汉密尔顿神经网络（RF-HNN），能够预测动力学系统中的汉密尔顿混沌，即使在训练数据中不存在的区域也能预测。与传统的HNN不同，RF-HNN可以从主要是规则动力学外推，预测混沌区域的出现和增长。该方法在包括Hénon-Heiles系统在内的四个汉密尔顿系统上得到了验证，显示出该网络能够重现规则结构破裂等复杂的动力学行为。 AI

影响 这项研究可能实现对复杂动力学系统更准确的长期预测，影响从物理学到工程学的各个领域。

排序理由 这是一篇研究论文，详细介绍了一种使用新型神经网络架构预测汉密尔顿混沌的新方法。[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 →

新型神经网络可预测训练数据之外的汉密尔顿混沌

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Jaesung Choi ·

    利用随机特征哈密顿神经网络外推哈密顿混沌的涌现

    arXiv:2607.28977v1 Announce Type: cross Abstract: Machine learning of Hamiltonian dynamics has driven growing interest in Hamiltonian neural networks (HNNs), which encode Hamilton's equations of motion into the learning architecture. Despite this progress, it remains unknown whet…

相关实体

相关话题