已入深夜,您辛苦了!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!祝你早点完成任务,早点休息,好梦!

Lagrangian Neural Networks

齐次空间 人工神经网络 哈密顿量(控制论) 能量守恒 守恒定律 广义相对论 拉格朗日 消散 正则坐标 多样性(控制论) 物理 计算机科学 经典力学 理论物理学 数学 人工智能 数学优化 量子力学 几何学 相空间
作者
Miles Cranmer,Sam Greydanus,Stephan Hoyer,Peter W. Battaglia,David N. Spergel,Shirley Ho
出处
期刊:Cornell University - arXiv 被引量:77
标识
DOI:10.48550/arxiv.2003.04630
摘要

Accurate models of the world are built upon notions of its underlying symmetries. In physics, these symmetries correspond to conservation laws, such as for energy and momentum. Yet even though neural network models see increasing use in the physical sciences, they struggle to learn these symmetries. In this paper, we propose Lagrangian Neural Networks (LNNs), which can parameterize arbitrary Lagrangians using neural networks. In contrast to models that learn Hamiltonians, LNNs do not require canonical coordinates, and thus perform well in situations where canonical momenta are unknown or difficult to compute. Unlike previous approaches, our method does not restrict the functional form of learned energies and will produce energy-conserving models for a variety of tasks. We test our approach on a double pendulum and a relativistic particle, demonstrating energy conservation where a baseline approach incurs dissipation and modeling relativity without canonical coordinates where a Hamiltonian approach fails. Finally, we show how this model can be applied to graphs and continuous systems using a Lagrangian Graph Network, and demonstrate it on the 1D wave equation.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
淡然平蓝发布了新的文献求助10
5秒前
22秒前
犹豫访波完成签到,获得积分10
25秒前
kirirto发布了新的文献求助10
25秒前
江流有声完成签到 ,获得积分10
27秒前
zzz完成签到,获得积分10
33秒前
DrNant完成签到,获得积分10
34秒前
宇宙之王宙斯完成签到 ,获得积分10
34秒前
kirirto完成签到,获得积分10
35秒前
慕青应助科研通管家采纳,获得10
36秒前
Owen应助科研通管家采纳,获得10
36秒前
顾矜应助科研通管家采纳,获得10
36秒前
科研通AI2S应助科研通管家采纳,获得10
36秒前
小马甲应助科研通管家采纳,获得10
36秒前
十七完成签到,获得积分10
42秒前
Vui77on完成签到 ,获得积分10
46秒前
顺利寄文完成签到 ,获得积分10
51秒前
爹爹完成签到,获得积分10
1分钟前
一墨完成签到,获得积分10
1分钟前
1分钟前
爹爹发布了新的文献求助10
1分钟前
英姑应助zhaof采纳,获得200
1分钟前
1分钟前
1分钟前
1分钟前
hanshishengye完成签到 ,获得积分10
1分钟前
LienAo完成签到 ,获得积分10
1分钟前
1分钟前
zhaof发布了新的文献求助200
1分钟前
我是大皇帝完成签到 ,获得积分10
1分钟前
充电宝应助霸气雅旋采纳,获得10
1分钟前
远方发布了新的文献求助10
1分钟前
爹爹发布了新的文献求助10
1分钟前
桐桐应助子恒采纳,获得10
1分钟前
1分钟前
1分钟前
liian7发布了新的文献求助30
1分钟前
霸气雅旋发布了新的文献求助10
1分钟前
1分钟前
1分钟前
高分求助中
Evolution 10000
Sustainability in Tides Chemistry 2800
юрские динозавры восточного забайкалья 800
Diagnostic immunohistochemistry : theranostic and genomic applications 6th Edition 500
Chen Hansheng: China’s Last Romantic Revolutionary 500
China's Relations With Japan 1945-83: The Role of Liao Chengzhi 400
Classics in Total Synthesis IV 400
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3150492
求助须知:如何正确求助?哪些是违规求助? 2801834
关于积分的说明 7845817
捐赠科研通 2459180
什么是DOI,文献DOI怎么找? 1309085
科研通“疑难数据库(出版商)”最低求助积分说明 628638
版权声明 601727