In un recente sviluppo presso l’Università di Fudan, un team di matematici applicati e scienziati dell’intelligenza artificiale ha svelato un quadro di apprendimento automatico all’avanguardia progettato per rivoluzionare la comprensione e la previsione dei sistemi hamiltoniani. L'articolo è pubblicato sulla rivista Physical Review Research .
Chiamato Hamiltonian Neural Koopman Operator (HNKO), questo framework innovativo integra principi di fisica matematica per ricostruire e prevedere sistemi hamiltoniani di dimensioni estremamente elevate utilizzando dati rumorosi o parzialmente osservati.
Il quadro HNKO, dotato di una struttura Koopman unitaria, ha la notevole capacità di scoprire nuove leggi di conservazione esclusivamente da dati osservativi. Questa capacità affronta una sfida significativa nella previsione accurata della dinamica in presenza di perturbazioni del rumore, segnando un importante passo avanti nel campo della meccanica hamiltoniana.
I ricercatori dell'Università di Fudan hanno dimostrato la potenza dell'HNKO e le sue estensioni applicandolo a una serie di modelli fisici, inclusi sistemi celesti di n corpi con centinaia e migliaia di gradi di libertà.
I loro esperimenti numerici hanno dimostrato l'efficacia del framework nel ridimensionamento di sistemi fisici complessi, riaffermando il suo potenziale di rivoluzionare la comprensione dei sistemi dinamici complessi.
Questo risultato evidenzia l’importanza di incorporare la conoscenza pregressa e la teoria matematica nei quadri di apprendimento automatico, migliorando significativamente la loro capacità di risolvere problemi fisici complessi. Il lavoro pionieristico dell'Università di Fudan rappresenta un passo avanti fondamentale nello sfruttamento dell'intelligenza artificiale per migliorare la nostra comprensione della fisica e della matematica fondamentali.
Ulteriori informazioni: Jingdong Zhang et al, Imparare l'operatore neurale hamiltoniano di Koopman e contemporaneamente sostenere e scoprire le leggi di conservazione, Ricerca di revisione fisica (2024). DOI:10.1103/PhysRevResearch.6.L012031
Informazioni sul giornale: Ricerca sulla revisione fisica
Fornito dall'Università Fudan
