基于物理知识的二阶和哈密顿系统状态变量发现
内容提要
本文提出了一种基于端口哈密顿形式的神经网络模型，旨在学习非自主系统的动态学。该模型通过注入物理知识，提高了动力学预测的准确性，并能有效处理多物理系统，确保其被动性和稳定性。研究表明，该方法在描述非线性系统时计算速度快，具有良好的应用潜力。
延伸解读
物理知识注入如何提升预测精度
文章指出，将物理学基础知识作为先验知识注入神经网络结构，并通过增广拉格朗日法在训练中强制实施物理约束，相比无先验知识的基线方法，在相同训练数据下能将系统动力学预测准确率提升两个数量级。这表明物理约束能显著增强模型对非线性系统动力学的学习能力，尤其适用于时间依赖力和耗散系数的恢复。
从单一系统到复合系统的扩展
研究不仅针对单一系统，还提出了通过组合神经网络学习交互子系统的复合模型。使用端口哈密顿神经网络（PHNN）表示系统及其子系统，并通过物理信息互连结构组合PHNN以预测复合系统的动力学行为。这为多物理系统的建模提供了可扩展的框架，同时保持了系统的被动性和稳定性。
处理噪声与有限数据的建模方法
针对带有输入和嘈杂状态测量的实物系统，文章介绍了基于输出误差的哈密顿神经网络（OE-HNN）建模方法，扩展了HNNs的广义哈密顿理论，并演示了其相对于传统HNNs在建模性能上的优势。此外，稀疏贝叶斯方法能从有限数据中学习可解释的物理系统描述，自动进行哈密顿蒸馏，为噪声环境下的系统辨识提供了工具。
低维表示带来的计算效率
文章强调，学习到的低维端口哈密顿系统能够有效描述非线性系统，并因其小尺寸而计算快速。这种低维特性使得模型在保持被动性和稳定性的同时，具有良好的应用潜力，尤其适合需要快速预测或实时控制的场景。
Q&A
什么是基于端口哈密顿形式的神经网络模型？
基于端口哈密顿形式的神经网络模型是一种用于学习非自主系统动态学的模型，通过注入物理知识来提高动力学预测的准确性。
该模型如何提高动力学预测的准确性？
该模型通过将物理学基础知识作为先验知识注入到神经网络中，从而增强了模型的训练效果，显著提高了预测准确性。
该研究的主要应用潜力是什么？
该研究在描述非线性系统时具有良好的应用潜力，尤其是在处理多物理系统的动力学预测方面。
该模型在计算速度上有什么优势？
由于模型的低维特性，学习到的低维端-汉密尔顿系统能够快速计算，尤其在处理非线性系统时表现出色。
如何确保模型的被动性和稳定性？
模型通过自编码器和神经网络的设计，结合端-汉密尔顿形式化，确保了系统的被动性和稳定性。
该研究解决了哪些传统物理建模方法的问题？
该研究解决了传统物理建模方法在时间和专家知识需求方面的高成本，以及数据驱动方法缺乏可解释性和可靠性的问题。
