Core Concepts
분리 가능한 해밀턴 신경망은 관찰, 학습, 귀납적 편향을 통해 해밀턴 함수와 벡터장을 더 효과적으로 회귀하고 해석할 수 있다.
Abstract
이 논문은 해밀턴 신경망(HNN)에 가산 분리 가능성을 포함하는 새로운 모델인 분리 가능한 해밀턴 신경망을 제안한다.
관찰적 편향: 분리 가능성을 반영하는 새로운 데이터를 생성하여 HNN을 학습시킨다.
학습 편향: 해밀턴 함수의 혼합 편미분을 손실 함수에 포함시켜 분리 가능성을 강제한다.
귀납적 편향: 두 개의 독립적인 신경망을 결합하여 분리 가능성을 엄격하게 만족시킨다.
제안된 분리 가능한 HNN은 해밀턴 함수와 벡터장을 회귀하는 데 있어 기존 HNN보다 우수한 성능을 보였다. 또한 분리 가능한 HNN은 시스템의 운동 에너지와 위치 에너지를 해석할 수 있는 능력이 있다.
Stats
해밀턴 함수의 혼합 편미분은 0이어야 한다.
해밀턴 함수는 위치 에너지와 운동 에너지의 합으로 표현될 수 있다.
Quotes
"Hamiltonian dynamics are often complicated and chaotic, especially in higher dimensional systems such as the Toda Lattice [12, 13] and Henon Heiles [14] systems. A redeeming feature of these systems is their additive separability."
"Knowledge regarding additive separability may be embedded within machine learning models as biases."