Hamiltonian GAN

使用 Gan 神经网络以及 Hamiltonian 动力学模型，在无需预先设计结构假设的情况下，学习配置空间，并通过周期坐标损失函数提高可解释性，以在视频生成中实现高效和有优势的方法。

本文研究了物理启发的神经网络的诱导偏差及其应用。研究发现，通过直接建模加速度可以改善神经网络的性能，而不是辛结构或能量守恒。通过放松模型的诱导偏差，可以在能量守恒系统上匹配或超过其性能，并提高非守恒系统上的性能。作者将这种方法应用于通用Mujoco环境的转换模型构建中，实现了基于模型的控制。

gan 加速度 物理启发 神经网络 能量守恒 诱导偏差
原文中文，约300字，阅读约需1分钟。发表于：。
阅读原文
分享给好友