机器学习预测器增强了解决复杂物理问题的能力

在复旦大学最近的一项研究中，一个由应用数学家和人工智能科学家组成的团队推出了一个尖端的机器学习框架，旨在彻底改变哈密顿系统的理解和预测。该论文发表在《物理评论研究》杂志上。

这一创新框架被命名为哈密顿神经库普曼算子 (HNKO)，它集成了数学物理原理，使用噪声或部分观测数据来重建和预测极高维的哈密顿系统。

HNKO 框架配备了统一的库普曼结构，具有仅从观测数据发现新守恒定律的卓越能力。该功能解决了在存在噪声扰动的情况下准确预测动力学的重大挑战，标志着哈密顿力学领域的重大突破。

复旦大学的研究人员通过将 HNKO 应用于一系列物理模型(包括具有成百上千个自由度的天体 n 体系统)，展示了 HNKO 的强大功能及其扩展。

他们的数值实验证明了该框架在扩展到复杂物理系统方面的有效性，重申了其彻底改变对复杂动力系统的理解的潜力。

这一成就凸显了将先验知识和数学理论融入机器学习框架的重要性，显着增强了机器学习解决复杂物理问题的能力。复旦大学的开创性工作标志着在利用人工智能增进我们对基础物理和数学的理解方面迈出了关键的一步。