神经网络物理教学可以消除“混沌盲目性”
立即发布
北卡罗来纳州立大学(North Carolina State University)的研究人员发现，将物理教授给神经网络可以使这些网络更好地适应环境中的混乱。这项工作对从医疗诊断到无人机自动驾驶等人工智能(AI)应用的改进具有重要意义。
神经网络是一种基于人脑工作方式的高级人工智能。我们的天然神经元根据它们之间连接的强度交换电脉冲。人工神经网络通过在训练过程中调整数值权重和偏差来模拟这种行为，以最小化实际输出和期望输出之间的差异。例如,可以训练一个神经网络来识别狗的照片通过筛选大量的照片,在想是否一只狗的照片,看到它是多么的遥远,然后调整其重量和偏见,直到他们更接近现实。
这种神经网络训练的缺点被称为“混沌盲症”，即无法预测或对系统中的混沌做出反应。传统的人工智能是混沌盲的。但是来自北卡罗来纳州立大学非线性人工智能实验室(NAIL)的研究人员发现，将哈密顿函数纳入神经网络能够更好地“看到”系统中的混沌，并据此进行调整。
简而言之，哈密尔顿人体现了有关动态物理系统的完整信息 - 所有能量，动力学和潜力的总量。图片摆动摆锤，随着时间的推移在空间中来回移动。现在看看那个摆锤的快照。快照无法告诉您侧摆在其弧状态或下一个位置。传统的神经网络从摆的快照操作。熟悉Hamiltonian流程的神经网络了解摆锤的整体 - 它在哪里或可能是可以的，并且在其运动中涉及的能量。
在一个概念验证项目中，NAIL团队将哈密尔结构整合到神经网络中，然后将其应用到一个已知的恒星和分子动力学模型上，称为Hénon-Heiles模型。哈密顿神经网络准确地预测了系统的动力学，即使它在有序和混沌之间移动。
“汉密尔顿人真的是”特别酱“，提供神经网络的能力学习秩序和混乱，”威斯大学学院的物理学教授和描述工作的纸质作者的物理学教授的研究员John Lindner。“与汉密尔顿人，神经网络以传统网络不能的方式理解底层动态。这是迈向物理保护的神经网络的第一步，可以帮助我们解决困难问题。“
作品发表于物理评论E部分由海军研究办公室(N00014-16-1-3066)支持。北卡州立大学博士后研究员安舒尔·乔杜里是第一作者。北卡州立大学的物理学教授比尔·迪托是NAIL的主任。访问研究员Scott Miller;印度莫哈里科学教育与研究学院的Sudeshna Sinha;北卡罗来纳州立大学的研究生Elliott Holliday也参与了这项工作。
皮克-
编辑注：一个抽象的。
物理增强的神经网络预测有序和混沌
DOI：10.1103 / PhysRevE.101.062207
作者：Anshul Choudhary，Elliott G. Holliday，Scott T. Miller，William L. Ditto，北卡罗来纳州立大学;John F. Lindner，NC州和韦斯特学院;Sudeshna Sinha，NC州和印度科学教育学院和研究所Mohali
发表:在线物理评论E
文摘:
人工神经网络是通用函数逼近器。它们可以预测动态，但它们可能需要很多神经元才能做到这一点，尤其是在动态是混乱的情况下。我们使用神经网络结合哈密顿动力学有效地学习相空间轨道，即使非线性系统从有序过渡到混沌。我们在一个广泛使用的动力学基准Hénon-Heiles势和非微扰动力学台球上证明了哈密顿神经网络。我们对哈密顿神经网络预测进行了反思。
