Hamiltonian神经网络
将Hamiltonian力学的物理先验嵌入神经网络结构与损失函数的物理信息机器学习模型，用于学习系统动力学并保证能量守恒等物理性质
时间轴 (近 90 天)
Hamiltonian神经网络（HNN）的训练和推理都依赖于目标系统的广义动量，这一依赖严重限制了其在实际场景中的应用。
一项新研究提出了一种通用扩展架构，能在广义动量解析形式未知时，仅从状态及其导数的数据中同时学习系统的广义动量、Hamiltonian结构和动力学。
HNN及其变体通过显式编码Hamiltonian力学，在建模过程中能保证能量守恒等物理性质，并提供可解释信息。
新架构将广义动量视为一个待学习的隐变量，与Hamiltonian结构和动力学模型联合优化。
新架构的输入只需状态变量及其导数（可以是非序列数据），输出包括学到的广义动量以及系统演化规律。
对于HNN而言，非完整约束意味着广义动量的定义和Hamiltonian结构都可能需要特殊处理。
HNN此前的高门槛在于动量数据，新架构将这一门槛降低为“状态及其导数”，而后者在仿真和实验中通常更容易获得。
全部知识事实 (7)
Hamiltonian神经网络（HNN）的训练和推理都依赖于目标系统的广义动量，这一依赖严重限制了其在实际场景中的应用。
50%待验证一项新研究提出了一种通用扩展架构，能在广义动量解析形式未知时，仅从状态及其导数的数据中同时学习系统的广义动量、Hamiltonian结构和动力学。
50%待验证HNN及其变体通过显式编码Hamiltonian力学，在建模过程中能保证能量守恒等物理性质，并提供可解释信息。
50%待验证新架构将广义动量视为一个待学习的隐变量，与Hamiltonian结构和动力学模型联合优化。
50%待验证新架构的输入只需状态变量及其导数（可以是非序列数据），输出包括学到的广义动量以及系统演化规律。
50%待验证对于HNN而言，非完整约束意味着广义动量的定义和Hamiltonian结构都可能需要特殊处理。
50%待验证HNN此前的高门槛在于动量数据，新架构将这一门槛降低为“状态及其导数”，而后者在仿真和实验中通常更容易获得。
50%