English(EN) Learning symplectic model reduction based on a approximation theorem of symplectic embeddings

新型自编码器在模型降阶中保留辛结构

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-04 04:00

研究人员开发了一种新的方法，用于在保留其基本辛结构的同时降低复杂哈密顿系统的维度。这种方法称为保持辛性的自编码器（SpAE），它使用一种特定的神经网络架构，保证潜在坐标支持哈密顿流，从而提高长期预测的准确性。在粒子和晶格系统上的实验表明，SpAE在重建和预测方面均优于标准自编码器。 AI

影响该方法可以提高复杂物理系统模拟的长期稳定性和准确性。

排序理由该集群包含一篇详细介绍科学计算中模型降阶新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

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

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Liyi Feng, Yifa Tang, Yulin Xie, Ruili Zhang, Aiqing Zhu · 2026-06-04 04:00

Learning symplectic model reduction based on a approximation theorem of symplectic embeddings

arXiv:2606.04623v1 Announce Type: new Abstract: High-dimensional Hamiltonian systems play a central role in many scientific and engineering disciplines, with dynamics evolving on symplectic manifolds. Although deep learning provides powerful tools for constructing low-dimensional…