通过神经网络进行物理教学消除混乱盲目性废墟乐队
时间：2022/07/19 17:33:02 编辑：
通过神经网络进行物理教学，消除“混乱盲目性”
北卡罗莱纳州立大学的研究人员发现，对神经网络进行物理教学可以使这些网络更好地适应其环境中的混乱情况。这项工作对改善从医疗诊断到无人机自动驾驶的人工智能应用具有影响。
神经网络是基于我们大脑工作方式的松散的高级AI我们的自然神经元根据它们的连接强度交换电脉冲。
人工神经网络通过在训练过程中调整数字权重和偏差来最小化其实际输出与期望输出之间的差异，从而模仿这种行为。例如，可以训练神经网络通过以下方法来识别狗的照片：筛查大量照片，猜测照片是否属于狗，看它离狗有多远，然后调整其权重和偏差，直到它们出现为止更接近现实。
这种神经网络训练的缺点是被称为“混沌失明”，即无法预测或响应系统中的混沌。传统的人工智能是混乱的盲目。
但是来自NC State的非线性人工智能实验室的研究人员发现，将汉密尔顿函数纳入神经网络可以更好地使他们“看到”系统中的混乱并做出相应的调整。
简而言之，哈密顿量体现了有关动态物理系统的完整信息，即存在的所有能量，动能和势能的总量。想象一下一个摆动的摆锤，它随着时间在太空中来回运动。现在看一下该摆的快照。快照无法告诉您该摆的弧度在哪里或下一步在哪里。
常规的神经网络从摆的快照进行操作。熟悉哈密顿流的神经网络了解摆运动的整体-摆在哪里，将要发生或可能发生在哪里以及其运动所涉及的能量。
在概念验证项目中，NAIL团队将哈密顿结构纳入神经网络，然后将其应用于已知的恒星和分子动力学模型Hénon-Heiles模型。
哈密??顿神经网络准确地预测了系统的动力学，即使它在有序和混沌之间移动。
NAIL的访问研究员，伍斯特学院的物理学教授，描述这项工作的论文的相应作者约翰·林德纳说：“哈密顿量实际上是使神经网络能够学习秩序和混乱的'特殊调味料'。“有了哈密顿算子，神经网络以一种传统网络无法理解的方式来理解潜在的动力学。这是迈向物理学的神经网络的第一步，可以帮助我们解决难题。”
这项工作出现在《物理评论E》中，并得到海军研究办公室的部分支持。
北卡罗莱纳州立大学博士后研究员Anshul Choudhary是第一作者。北卡罗莱纳州立大学物理学教授比尔·迪托是NAIL的董事。客座研究员斯科特·米勒；印度科学教育与研究学院Mohali的Sudeshna Sinha；NC State的研究生Elliott Holliday也为这项工作做出了贡献。