In een recente ontwikkeling aan de Fudan Universiteit heeft een team van toegepaste wiskundigen en AI-wetenschappers een baanbrekend machine learning-framework onthuld dat is ontworpen om het begrip en de voorspelling van Hamiltoniaanse systemen radicaal te veranderen. Het artikel is gepubliceerd in het tijdschrift Physical Review Research .

Dit innovatieve raamwerk, genaamd de Hamiltonian Neural Koopman Operator (HNKO), integreert principes van de wiskundige natuurkunde om Hamiltoniaanse systemen van extreem hoge dimensies te reconstrueren en te voorspellen met behulp van luidruchtige of gedeeltelijk waargenomen gegevens.

Het HNKO-raamwerk, uitgerust met een unitaire Koopman-structuur, heeft het opmerkelijke vermogen om nieuwe natuurbehoudswetten uitsluitend op basis van observationele gegevens te ontdekken. Deze mogelijkheid biedt een oplossing voor een aanzienlijke uitdaging bij het nauwkeurig voorspellen van de dynamiek in de aanwezigheid van geluidsverstoringen, wat een grote doorbraak betekent op het gebied van de Hamiltoniaanse mechanica.

Onderzoekers van de Fudan Universiteit hebben de kracht van HNKO en zijn uitbreidingen gedemonstreerd door het toe te passen op een reeks fysieke modellen, waaronder hemelse n-lichaamsystemen met honderden en duizenden vrijheidsgraden.

Hun numerieke experimenten toonden de effectiviteit van het raamwerk aan bij het opschalen naar complexe fysieke systemen, en bevestigden daarmee opnieuw het potentieel ervan om het begrip van complexe dynamische systemen radicaal te veranderen.

Deze prestatie benadrukt het belang van het integreren van voorkennis en wiskundige theorie in machine learning-frameworks, waardoor hun vermogen om ingewikkelde fysieke problemen op te lossen aanzienlijk wordt vergroot. Het baanbrekende werk van Fudan University betekent een cruciale stap voorwaarts in het benutten van kunstmatige intelligentie voor het bevorderen van ons begrip van fundamentele natuurkunde en wiskunde.

Meer informatie: Jingdong Zhang et al, Hamiltoniaanse neurale Koopman-operator leren en tegelijkertijd behoudswetten handhaven en ontdekken, Physical Review Research (2024). DOI:10.1103/PhysRevResearch.6.L012031

Journaalinformatie: Fysiek reviewonderzoek

Aangeboden door Fudan Universiteit