Предиктор машинного обучения расширяет возможности решения сложных физических задач

Прочитано: 46 раз(а)


В ходе недавней разработки в Университете Фудань команда прикладных математиков и ученых в области искусственного интеллекта представила передовую структуру машинного обучения, призванную революционизировать понимание и прогнозирование гамильтоновых систем. Статья опубликована в журнале Physical Review Research.

Эта инновационная структура, названная гамильтоновым нейронным оператором Купмана (HNKO), объединяет принципы математической физики для реконструкции и прогнозирования гамильтоновых систем чрезвычайно высокой размерности с использованием зашумленных или частично наблюдаемых данных.

Система HNKO, оснащенная унитарной структурой Купмана, обладает замечательной способностью открывать новые законы сохранения исключительно на основе данных наблюдений. Эта возможность решает серьезную проблему точного прогнозирования динамики при наличии шумовых возмущений, что знаменует собой крупный прорыв в области гамильтоновой механики.

Исследователи из Фуданьского университета продемонстрировали мощь HNKO и ее расширений, применив ее к ряду физических моделей, включая небесные системы n-тел с сотнями и тысячами степеней свободы.

Их численные эксперименты продемонстрировали эффективность этой структуры при масштабировании сложных физических систем , подтвердив ее потенциал совершить революцию в понимании сложных динамических систем.

Это достижение подчеркивает важность включения предшествующих знаний и математической теории в системы машинного обучения, что значительно расширяет их возможности решать сложные физические проблемы. Новаторская работа Фуданьского университета означает важный шаг вперед в использовании искусственного интеллекта для улучшения нашего понимания фундаментальной физики и математики.

Предиктор машинного обучения расширяет возможности решения сложных физических задач



Новости партнеров