研究人员开发了用于学习复杂动力学系统的新型神经网络架构。一种方法侧重于确定性和随机强迫哈密顿系统，引入了广义强迫哈密顿神经网络（GFHNNs），可提供更长的长期稳定性和准确性。另一种方法通过结合超平面检测和几何约束神经网络来处理分段光滑动力学系统，这类系统在气候动力学和具有摩擦的机械系统等领域具有相关性。 AI
影响 这些进展可能带来更准确、更稳定的模型，用于模拟气候科学和工程等领域的复杂系统。
排序理由 两篇arXiv论文介绍了用于学习动力学系统的新型神经网络架构。
- arXiv
- Benedikt Brantner
- Climate Dynamics
- dry-friction oscillators
- dynamical systems
- Generalized Forced Hamiltonian Neural Networks
- Lagrange-d'Alembert principle
- machine learning
- Mechanical Systems and Signal Processing
- Parametric Generalized Forced Hamiltonian Neural Networks
- PP04 climate model
- Stratonovich-Taylor expansion
- Wiener process
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
