实体
Hamiltonian Neural Networks
Hamiltonian Neural Networks
PulseAugur coverage of Hamiltonian Neural Networks — every cluster mentioning Hamiltonian Neural Networks across labs, papers, and developer communities, ranked by signal.
总计 · 30天
3
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
2 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
辛神经网络增强了哈密顿神经网络的训练
研究人员开发了辛神经网络（SNNs）来改进哈密顿神经网络（HNNs）的训练。这种新方法解决了与隐式辛积分器相关的计算挑战，而隐式辛积分器对于准确模拟哈密顿系统和保持能量守恒至关重要。通过利用替代的反向传播方法和高效的ODE求解器，SNNs能够实现更有效的训练和梯度更新，在混沌系统的系统识别和能量守恒方面显示出数值优势。
-
NEXUS框架模拟物理一致的富接触三维物体动力学
研究人员推出了一种新颖的神经能量场框架NEXUS，旨在模拟物理一致的富接触三维物体动力学。与以往经常模拟孤立物理效应的方法不同，NEXUS通过将物体表示为结构图并构建动态接触图来组合保守和非保守动力学。该框架受Hamiltonian Neural Networks启发，通过标量能量和耗散项来构建运动，从而可以加性组合重力、弹性变形等保守效应，并学习建模阻尼、冲击引起的能量损失等非保守效应。NEXUS在轨迹基准测试中展示了更长的预测精度…
-
新的NHODE框架学习具有未观测状态的物理信息动力学系统
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。