研究人员开发了基于历史信息的拉格朗日神经网络（HiLNN），仅使用位置数据来改进机械系统的长期预测。该新模型通过从历史观测中推断隐藏的速度和系统参数，解决了现有物理引导网络的局限性。HiLNN 利用循环编码器提取潜在上下文，然后调整系统的质量矩阵、势能和阻尼系数。该模型使用可微分的龙格-库塔方法进行端到端训练，并已证明与当前最先进的方法相比，具有更高的准确性和能量剖面保持能力。 AI
影响 这项研究可能导致更准确、更适应复杂机械系统的预测模型，并可能影响机器人和自主系统等领域。
排序理由 该集群包含一篇详细介绍新模型架构及其评估的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
- arXiv
- classic Runge–Kutta method
- HiLNN
- History-informed Lagrangian Neural Networks
- Lagrangian neural networks
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
