Learning Trajectories of Hamiltonian Systems with Neural Networks

Tutkimustuotos: Artikkeli kirjassa/konferenssijulkaisussaConference article in proceedingsScientificvertaisarvioitu

15 Lataukset (Pure)

Abstrakti

Modeling of conservative systems with neural networks is an area of active research. A popular approach is to use Hamiltonian neural networks (HNNs) which rely on the assumptions that a conservative system is described with Hamilton's equations of motion. Many recent works focus on improving the integration schemes used when training HNNs. In this work, we propose to enhance HNNs with an estimation of a continuous-time trajectory of the modeled system using an additional neural network, called a deep hidden physics model in the literature. We demonstrate that the proposed integration scheme works well for HNNs, especially with low sampling rates, noisy and irregular observations.
AlkuperäiskieliEnglanti
OtsikkoArtificial Neural Networks and Machine Learning – ICANN 2022
ToimittajatElias Pimenidis, Mehmet Aydin, Plamen Angelov, Chrisina Jayne, Antonios Papaleonidas
JulkaisupaikkaBristol, UK
KustantajaSpringer
Sivut562–573
Sivumäärä12
ISBN (elektroninen)978-3-031-15919-0
ISBN (painettu)978-3-031-15918-3
DOI - pysyväislinkit
TilaJulkaistu - 7 syysk. 2022
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisussa
TapahtumaInternational Conference on Artificial Neural Networks - University of the West of England (UWE Bristol), Bristol, Iso-Britannia
Kesto: 6 syysk. 20229 syysk. 2022
https://e-nns.org/icann2022/

Julkaisusarja

NimiLecture Notes in Computer Science
KustantajaSpringer
Vuosikerta13529
ISSN (painettu)0302-9743

Conference

ConferenceInternational Conference on Artificial Neural Networks
LyhennettäICANN
Maa/AlueIso-Britannia
KaupunkiBristol
Ajanjakso06/09/202209/09/2022
www-osoite

Sormenjälki

Sukella tutkimusaiheisiin 'Learning Trajectories of Hamiltonian Systems with Neural Networks'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.

Siteeraa tätä