En un desarrollo reciente en la Universidad de Fudan, un equipo de matemáticos aplicados y científicos de inteligencia artificial ha presentado un marco de aprendizaje automático de vanguardia diseñado para revolucionar la comprensión y predicción de los sistemas hamiltonianos. El artículo se publica en la revista Physical Review Research. .
Este innovador marco, denominado Operador Neural Koopman Hamiltoniano (HNKO), integra principios de física matemática para reconstruir y predecir sistemas hamiltonianos de dimensiones extremadamente altas utilizando datos ruidosos o parcialmente observados.
El marco HNKO, equipado con una estructura unitaria de Koopman, tiene la notable capacidad de descubrir nuevas leyes de conservación únicamente a partir de datos de observación. Esta capacidad aborda un desafío importante a la hora de predecir con precisión la dinámica en presencia de perturbaciones de ruido, lo que marca un gran avance en el campo de la mecánica hamiltoniana.
Investigadores de la Universidad de Fudan demostraron el poder de HNKO y sus extensiones aplicándolo a una variedad de modelos físicos, incluidos sistemas celestes de n cuerpos con cientos y miles de grados de libertad.
Sus experimentos numéricos demostraron la eficacia del marco para escalar a sistemas físicos complejos, reafirmando su potencial para revolucionar la comprensión de sistemas dinámicos complejos.
Este logro resalta la importancia de incorporar conocimientos previos y teoría matemática en marcos de aprendizaje automático, mejorando significativamente su capacidad para resolver problemas físicos complejos. El trabajo pionero de la Universidad de Fudan significa un paso crítico hacia el aprovechamiento de la inteligencia artificial para mejorar nuestra comprensión de la física y las matemáticas fundamentales.
Más información: Jingdong Zhang et al, Aprendizaje del operador Koopman neuronal hamiltoniano y simultáneamente sustentación y descubrimiento de leyes de conservación, Investigación de revisión física (2024). DOI:10.1103/PhysRevResearch.6.L012031
Información de la revista: Investigación de revisión física
Proporcionado por la Universidad de Fudan
