当前数据科学对动力学的探索通常侧重于回归或分类问题,而没有常规地纳入关于生成数据的系统性质的额外假设。最近,随着Ref。32,预先指定公式的变量和可能的表达式。特别是,将中心对象建模为离散时间流程图但是学习直接作为黑盒可能会导致与真实系统的质量差异。31使用相关的微分方程相反,我们可以利用已建立的数值积分方案来帮助近似流图,并且可以通过构造与此类经典数值积分方案类似的损失函数来使用神经网络来完成。除了我们以前的工作,6,25–31最近的工作重振了这种方法,重点是将深层神经网络的层视为动态系统的迭代,其中“学习”包括发现正确的吸引子。3,5,14
特别是,人们的兴趣集中在剩余网络如何11和公路网33可以解释为迭代解算器8或者作为迭代动力系统。4在后一篇论文(NeurIPS 2018年度最佳论文获奖者)中,作者选择不显式展开迭代,而是使用连续时间数值积分。虽然重点是动态层概念,但也进行了时间序列学习。
Koopman算子也被用于与神经网络相结合来提取守恒定律和特殊群结构。12,15守恒量的对称性是物理学中一个研究得很好的问题。10,13,19,20最近的一个研究思路是从观测数据中学习物理模型,17包括将离散时间数据建模为连续时间动力系统的观测值。21,22
通过物理系统的守恒量(如总能量)来研究物理系统是有意义的,总能量可以用哈密顿函数来编码。1,10哈密顿系统的可测性最近被用于Markov-chain Monte-Carlo方法中的密度输运18和可变自动编码器。2,24为了我们的目的,从观测到的物理计算建模的一个自然进展是直接表示哈密顿函数。
在提交这一材料的同时,两篇独立处理类似问题的论文以预印本的形式出现。9,34在第一个例子中,9损失函数非常类似于我们公式的部分。(12)已使用。第二篇文章主要讨论通过哈密顿量产生的密度变换。可以在第二个预印本和我们上面提到的旧(非哈密顿)作品之间进行一些类比,6,25–31因为这项新的工作还使用了基于经典数值积分方法的时间步长模板的rollow(这里是辛欧拉和蛙跳)。两篇论文都以摆锤为例,强调了系统可以很好地近似为线性系统的条件:在轨迹几乎是圆形的。