PulseAugur
中
实时 21:15:39
English(EN) Learning partially observed systems with neural Hamiltonian ordinary differential equations

新的NHODE框架学习具有未观测状态的物理信息动力学系统

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一个名为神经哈密顿常微分方程（NHODE）的新框架，用于从数据中学习动力学系统，即使某些状态变量未被观测到。该方法结合了哈密顿神经网络和神经ODE，嵌入了能量守恒等物理结构，以提高泛化能力和稳定性。NHODE框架在包括混沌三体问题在内的各种系统上进行了测试，与纯数据驱动的方法相比，在精度和长期预测能力方面表现更优。 AI

影响 该框架通过处理数据不完整的系统，能够实现更鲁棒的科学发现AI模型。

排序理由 该集群包含一篇详细介绍新建模框架的学术论文。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Sunniva Meltzer, S{\o}lve Eidnes, Alexander Johannes Stasik ·

    使用神经哈密顿常微分方程学习部分可观测系统

    arXiv:2605.23510v1 Announce Type: new Abstract: When learning dynamical systems from data, embedding physical structure can constrain the solution space and improve generalization, but many physics-informed models assume access to the full system state. This limits their use in p…

  2. arXiv cs.LG TIER_1 English(EN) · Alexander Johannes Stasik ·

    使用神经哈密顿常微分方程学习部分可观测系统

    When learning dynamical systems from data, embedding physical structure can constrain the solution space and improve generalization, but many physics-informed models assume access to the full system state. This limits their use in partially observed settings, where some state var…

相关话题