北卡罗莱纳州立大学的特雷西·皮克 哈密尔顿流表示为一个环状圆环；彩虹色编码第四维度
学分:北卡罗来纳州立大学 北卡罗来纳州立大学的研究人员发现，向神经网络教授物理知识可以让这些网络更好地适应环境中的混乱
这项工作对从医疗诊断到自动无人机驾驶的人工智能应用的改进有所启示
神经网络是一种先进的人工智能，松散地基于我们大脑的工作方式
我们的自然神经元根据它们连接的强度来交换电脉冲
人工神经网络通过在训练期间调整数值权重和偏差来模拟这种行为，以最小化它们的实际输出和期望输出之间的差异
例如，可以训练一个神经网络来识别狗的照片，方法是筛选大量照片，猜测照片是否是狗的照片，看看它有多远，然后调整它的权重和偏差，直到它们更接近现实
这种神经网络训练的缺点是所谓的“混沌盲”——无法预测或响应系统中的混沌
常规AI是混沌盲
但是来自北卡罗来纳州立大学非线性人工智能实验室的研究人员发现，将哈密顿函数结合到神经网络中，可以更好地“看到”系统中的混沌，并相应地进行调整
简而言之，哈密顿量包含了关于一个动态物理系统的完整信息——所有现存能量、动能和势能的总量
想象一个摆动的钟摆，随着时间在空间里来回移动
现在看看钟摆的快照
快照不能告诉你钟摆在它的弧线上的什么地方，或者它下一步要去哪里
传统的神经网络根据钟摆的快照进行操作
熟悉哈密顿流的神经网络理解钟摆运动的全部——它在哪里，它将在哪里或者可能在哪里，以及它运动所涉及的能量
在一个概念验证项目中，NAIL团队将哈密顿结构结合到神经网络中，然后将它们应用到一个已知的恒星和分子动力学模型中，称为黑诺-海尔斯模型
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
“哈密顿量实际上是赋予神经网络学习秩序和混沌能力的‘特殊酱料’”，约翰·林德纳说，他是钉子的访问研究员，伍斯特学院的物理学教授，也是描述这项工作的论文的作者
“通过哈密顿量，神经网络以传统网络无法理解的方式理解潜在的动力学
这是迈向精通物理的神经网络的第一步，它可以帮助我们解决难题
" 这项工作发表在《物理评论》上，并得到了海军研究办公室的部分支持
北卡罗来纳州博士后研究员安舒·乔德里是第一作者
比尔·迪特，北卡罗来纳州立大学的物理学教授，是钉子的主管
客座研究员斯科特·米勒；Sudeshna Sinha，来自印度科学教育与研究学院Mohali北卡罗来纳州立大学的研究生埃利奥特·霍利迪也为这项工作做出了贡献
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
