Um preditor de aprendizado de máquina aumenta a capacidade de resolver problemas físicos complexos
Um esboço para a estrutura HNKO. Crédito:Pesquisa de revisão física (2024). DOI:10.1103/PhysRevResearch.6.L012031 Num desenvolvimento recente na Universidade Fudan, uma equipe de matemáticos aplicados e cientistas de IA revelou uma estrutura de aprendizado de máquina de ponta projetada para revolucionar a compreensão e a previsão dos sistemas hamiltonianos. O artigo foi publicado na revista Physical Review Research .
Chamada de Operador Neural Koopman Hamiltoniano (HNKO), esta estrutura inovadora integra princípios da física matemática para reconstruir e prever sistemas hamiltonianos de dimensão extremamente alta usando dados ruidosos ou parcialmente observados.
A estrutura HNKO, equipada com uma estrutura unitária de Koopman, tem a notável capacidade de descobrir novas leis de conservação apenas a partir de dados observacionais. Esta capacidade aborda um desafio significativo na previsão precisa da dinâmica na presença de perturbações de ruído, marcando um grande avanço no campo da mecânica hamiltoniana.
Pesquisadores da Universidade Fudan demonstraram o poder do HNKO e suas extensões aplicando-o a uma variedade de modelos físicos, incluindo sistemas celestes de n corpos com centenas e milhares de graus de liberdade.
Seus experimentos numéricos demonstraram a eficácia da estrutura na escalabilidade para sistemas físicos complexos, reafirmando seu potencial para revolucionar a compreensão de sistemas dinâmicos complexos.
Esta conquista destaca a importância de incorporar conhecimentos prévios e teoria matemática em estruturas de aprendizagem automática, aumentando significativamente a sua capacidade de resolver problemas físicos complexos. O trabalho pioneiro da Universidade Fudan significa um passo crítico no aproveitamento da inteligência artificial para avançar a nossa compreensão da física e da matemática fundamentais.
Mais informações: Jingdong Zhang et al, Aprendendo o operador neural Hamiltoniano de Koopman e simultaneamente sustentando e descobrindo leis de conservação, Physical Review Research (2024). DOI:10.1103/PhysRevResearch.6.L012031 Informações do diário: Pesquisa de revisão física
