SIAM Journal on Scientific Computing· 2026Q1
Modelleme ve Keşif için Simplektik Sinirsel Akışlar
Symplectic Neural Flows for Modeling and Discovery
- 0atıf
- Q1SCImago
- 2026yıl
Kısa özet
Yeni bir simplektik sinir ağı olan SympFlow, Hamilton sistemlerini doğru bir şekilde modeller ve enerji/momentum koruyarak kaotik/dissipatif sistemlerde genel yöntemlerden daha iyi performans gösterir ve seyrek verilerden sistemleri yaklaştırır.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Parametrelendirilmiş Hamilton akış haritalarına dayanan zaman-bağımlı bir simplektik sinir ağı olan SympFlow'u tanıtır.
- SympFlow, simülasyonlarda enerji ve momentum korunumu için kritik olan simplektik yapının korunmasını sağlar.
- Bilinen Hamilton sistemlerinin akışını etkili bir şekilde modeller ve yörünge verilerini kullanarak bilinmeyen sistemleri yaklaştırır.
- Kaotik ve dissipatif sistemlerde enerji korunumu açısından genel sayısal yöntemlerden daha iyi performans gösterir.
- Hamilton sistem akışlarını yaklaştırmak için teorik garantiler ve a posteriori hata tahminleri sağlar.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Abstract. Hamilton’s equations are fundamental for modeling complex physical systems, where preserving key properties such as energy and momentum is crucial for reliable long-term simulations. Geometric integrators are widely used for this purpose, but neural network-based methods that incorporate these principles remain underexplored. This work introduces SympFlow, a time-dependent symplectic neural network designed using parameterized Hamiltonian flow maps. This design allows for backward error analysis and ensures the preservation of the symplectic structure. SympFlow allows for two key applications: (i) providing a time-continuous symplectic approximation of the exact flow of a Hamiltonian system—purely based on the differential equations it satisfies, and (ii) approximating the flow map of an unknown Hamiltonian system relying on trajectory data. We demonstrate the effectiveness of SympFlow on diverse problems, including chaotic and dissipative systems, showing improved energy conservation compared to general-purpose numerical methods and accurate approximations from sparse irregular data. We also provide a thorough theoretical analysis of SympFlow, showing it can approximate the flow of any time-dependent Hamiltonian system, and providing an a posteriori error estimate in terms of energy conservation.
Yazarların özeti; kaynağından alınmıştır. SIAM Journal on Scientific Computing, 2026 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Sayısal Analiz
Numerical AnalysisMathematics