Dans le cadre d'un développement récent à l'Université de Fudan, une équipe de mathématiciens appliqués et de scientifiques en IA a dévoilé un cadre d'apprentissage automatique de pointe conçu pour révolutionner la compréhension et la prédiction des systèmes hamiltoniens. L'article est publié dans la revue Physical Review Research. .
Nommé Hamiltonian Neural Koopman Operator (HNKO), ce cadre innovant intègre les principes de la physique mathématique pour reconstruire et prédire des systèmes hamiltoniens de dimension extrêmement élevée à l'aide de données bruitées ou partiellement observées.
Le cadre HNKO, équipé d'une structure Koopman unitaire, a la capacité remarquable de découvrir de nouvelles lois de conservation uniquement à partir de données d'observation. Cette capacité répond à un défi important consistant à prédire avec précision la dynamique en présence de perturbations sonores, marquant une avancée majeure dans le domaine de la mécanique hamiltonienne.
Des chercheurs de l'Université de Fudan ont démontré la puissance de HNKO et de ses extensions en l'appliquant à une gamme de modèles physiques, y compris des systèmes célestes à N corps dotés de centaines et de milliers de degrés de liberté.
Leurs expériences numériques ont démontré l'efficacité du cadre pour s'adapter à des systèmes physiques complexes, réaffirmant son potentiel à révolutionner la compréhension des systèmes dynamiques complexes.
Cette réalisation met en évidence l’importance d’incorporer les connaissances préalables et la théorie mathématique dans les cadres d’apprentissage automatique, améliorant ainsi considérablement leur capacité à résoudre des problèmes physiques complexes. Les travaux pionniers de l'Université de Fudan représentent une étape cruciale dans l'exploitation de l'intelligence artificielle pour faire progresser notre compréhension de la physique et des mathématiques fondamentales.
Plus d'informations : Jingdong Zhang et al, Apprentissage de l'opérateur neuronal Koopman hamiltonien et maintien et découverte simultanées des lois de conservation, Physical Review Research (2024). DOI :10.1103/PhysRevResearch.6.L012031
Informations sur le journal : Recherche sur l'examen physique
Fourni par l'Université de Fudan
