CaLiSym

新的机器学习框架以增强的预测能力学习复杂的物理动力学

两篇新的研究论文介绍了一种用于预测复杂物理系统动力学的先进机器学习框架。第一篇论文 CaLiSym 通过将状态嵌入到提升的正则相空间中，将精确的辛学习扩展到与环境有能量交换的系统。第二篇论文 CSympNet-ID 专注于线性阻尼哈密顿系统，提出了一种在强制执行共形辛性的同时学习单步流映射的框架。两种方法都证明了预测精度的提高，特别是在数据稀疏或分布外的情况下，其性能优于非结构化基线。