推广 热搜： 采购方式滤芯甲带气动隔膜泵减速机减速机型号带式称重给煤机履带无级变速机链式给煤机

PRL速递:AI 学习玩弹簧玩具——从轨迹到通用动力学的元学习

日期：2023-08-18 16:52:10 来源：网络整理作者：本站编辑评论：0

关键词：人工智能，泛化能力，隐空间动力学，神经常微分方程

论文题目：
Metalearning Generalizable Dynamics from Trajectories
论文地址：
https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.131.067301

像许多职业一样，物理学家正在尝试利用人工智能（AI）来辅助工作——希望不会被 AI 取代。在这个方向上，研究人员开发出一种 AI 算法，可以分析一组物体的运动，如摆动的钟摆或弹跳的弹簧玩具，然后利用这些信息来建立通用模型，分析这些系统上的作用力。这种方法可以推广到此前未经研究的物体，速度比其他不试图泛化的 AI 方法快100倍。

物理学家之前已经表明，AI 算法可以自动发现复杂数据中的隐藏关系。然而，对这些算法的一个常见批评是它们太过具体，只针对一种特定系统。这项最新研究提出一种可解释的元神经常微分方程（interpretable meta neural ordinary differential equation，iMODE）方法，用于从多个具有不同物理参数的动力系统的轨迹中快速学习（非参数特定的）通用动力学。

具体而言，该方法采用一种双层优化框架——外层捕捉研究的动力系统实例的共同力场形式，内层适应个体系统实例——来学习元知识，即动力系统实例的力场泛函变化，而无需知道物理参数。先验物理知识，例如保守力场和欧几里德对称性，可以作为归纳偏差方便地嵌入神经网络架构中。借助学习到的元知识，该方法可以在几秒内对未知系统建模，并且可以反向揭示关于系统物理参数的知识，利用观察轨迹来“测量”未知系统的物理参数。

在其中一个例子中，研究人员向算法提供一组轨迹，如下落的弹簧玩具的位置和速度，每个弹簧玩具刚度不同。该算法分析了这些轨迹，然后构建了一个具有可调参数的通用模型，使其能够在约一分钟时间内分析任何弹簧玩具的运动，即使是不在其训练集中的弹簧玩具。对于更简单的系统，如单摆和振荡电路，分析可能只需几秒钟。研究团队预计，这种方法可以应用于不同介质中生物细胞的机械分析，或者用于在快速变化的环境中控制机器人。