Learning Generalized Hamiltonians using fully Symplectic Mappings
Created by
- Haebom
Category
Empty
저자
Harsh Choudhary, Chandan Gupta, Vyacheslav kungrutsev, Melvin Leok, Georgios Korpas
개요
본 논문은 해밀토니안 시스템의 진화를 학습하는 물리 정보 신경망(Physics Informed Neural Networks, PINNs) 및 해밀토니안 신경망(Hamiltonian Neural Networks, HNNs)에 관한 연구이다. 해밀토니안 시스템의 에너지 보존 법칙을 준수하여 표본 복잡도와 분포 외 정확도를 향상시키는 것을 목표로 한다. 특히, 일반적인 비분리형 해밀토니안에 대해서도 적용 가능한 새로운 방법을 제안한다. 이는 심플렉틱 적분기를 이용하여 해밀토니안의 장기적인 물리적 보존 특성을 유지하고, ODE 솔버를 통한 계산적으로 집약적인 역전파를 피함으로써 구현된다. 실험 결과는 제안된 방법이 노이즈에 강건하며, 비분리형 시스템에서 특히 유용함을 보여준다.
시사점, 한계점
•
시사점:
◦
일반적인 비분리형 해밀토니안 시스템에 대한 심플렉틱 적분기를 활용한 새로운 해밀토니안 신경망 학습 방법 제시.
◦
ODE 솔버를 통한 역전파 과정 생략으로 계산 효율성 증대.
◦
노이즈에 강건하고 해밀토니안 재구성 및 보존 성능 향상.
◦
비분리형 시스템에서 기존 방법보다 우수한 성능.
•
한계점:
◦
제안된 방법의 일반화 성능에 대한 추가적인 연구 필요.
◦
다양한 종류의 비분리형 해밀토니안 시스템에 대한 광범위한 실험적 검증 필요.
◦
고차원 시스템으로의 확장성에 대한 추가적인 연구 필요.
