En maskinlæringsprædiktor forbedrer evnen til at løse indviklede fysiske problemer

I en nylig udvikling på Fudan University har et team af anvendte matematikere og AI-forskere afsløret en banebrydende maskinlæringsramme designet til at revolutionere forståelsen og forudsigelsen af ​​Hamilton-systemer. Artiklen er publiceret i tidsskriftet Physical Review Research .

Denne innovative ramme, der er navngivet Hamiltonian Neural Koopman Operator (HNKO), integrerer principper for matematisk fysik for at rekonstruere og forudsige Hamiltonske systemer af ekstremt høj dimension ved hjælp af støjende eller delvist observerede data.

HNKO-rammen, udstyret med en enhedsstruktur af Koopman, har den bemærkelsesværdige evne til at opdage nye bevarelseslove udelukkende ud fra observationsdata. Denne evne løser en betydelig udfordring med at præcist forudsige dynamik i nærvær af støjforstyrrelser, hvilket markerer et stort gennembrud inden for Hamiltoniansk mekanik.

Forskere ved Fudan University viste kraften ved HNKO og dens udvidelser ved at anvende den på en række fysiske modeller, herunder himmelske n-kropssystemer med hundreder og tusinder af frihedsgrader.

Deres numeriske eksperimenter demonstrerede rammens effektivitet til at skalere til komplekse fysiske systemer, hvilket bekræftede dets potentiale til at revolutionere forståelsen af ​​komplekse dynamiske systemer.

Denne præstation fremhæver vigtigheden af ​​at inkorporere forudgående viden og matematisk teori i maskinlæringsrammer, hvilket væsentligt forbedrer deres evne til at løse indviklede fysiske problemer. Fudan Universitys banebrydende arbejde betyder et kritisk skridt fremad i at udnytte kunstig intelligens til at fremme vores forståelse af grundlæggende fysik og matematik.

Flere oplysninger: Jingdong Zhang et al., At lære Hamiltons neurale Koopman-operatør og samtidig opretholde og opdage bevaringslove, Physical Review Research (2024). DOI:10.1103/PhysRevResearch.6.L012031

Journaloplysninger: Physical Review Research

Leveret af Fudan University