Port-metriplectic neural networks: thermodynamics-informed machine learning of complex physical systems

要約

ポートハミルトニアン形式に基づいて、複雑な物理システムの機械学習のための帰納的バイアスを開発します。
学んだ物理学における熱力学の原理 (エネルギーの保存、非負のエントロピー生成) を構成によって満たすために、ポート メトリプレクティック フォーマリズムを達成するためにポート ハミルトニアン形式をそれに応じて修正します。
構築されたネットワークが複雑なシステムの物理を部分的に学習できることを示し、この種のシステムの実験的特性評価と事後学習プロセスに関連する負担を軽減します。
ただし、予測はシステム全体の規模で行うことができます。
提案手法の性能について例を示す。

要約(オリジナル)

We develop inductive biases for the machine learning of complex physical systems based on the port-Hamiltonian formalism. To satisfy by construction the principles of thermodynamics in the learned physics (conservation of energy, non-negative entropy production), we modify accordingly the port-Hamiltonian formalism so as to achieve a port-metriplectic one. We show that the constructed networks are able to learn the physics of complex systems by parts, thus alleviating the burden associated to the experimental characterization and posterior learning process of this kind of systems. Predictions can be done, however, at the scale of the complete system. Examples are shown on the performance of the proposed technique.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google