مقاله شناسایی دینامیک غیرخطی رشته با شبکه‌های عصبی پورت-همیلتونی
,

مقاله شناسایی دینامیک غیرخطی رشته با شبکه‌های عصبی پورت-همیلتونی

تومان249,950

یادگیری ماشین ترکیبی، دانش فیزیکی را با مدل‌های داده‌محور ترکیب می‌کند تا تفسیرپذیری و عملکرد را بهبود بخشد. در این راستا، سیستم‌های پورت-همیلتونی (PHS) که مکانیک همیلتونی را برای توصیف سیستم‌های دینا…

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperPaper-0000000121 دسته: ,

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

شناسایی دینامیک غیرخطی رشته با شبکه‌های عصبی پورت-همیلتونی

Identifying the nonlinear string dynamics with port-Hamiltonian neural networks

نویسندگان: Maximino Linares, Guillaume Doras, Thomas Hélie

شناسه منبع: arxiv / 2605.12785

دسته: Machine Learning,Systems and Control,Dynamical Systems

چکیده (فارسی)

یادگیری ماشین ترکیبی، دانش فیزیکی را با مدل‌های داده‌محور ترکیب می‌کند تا تفسیرپذیری و عملکرد را بهبود بخشد. در این راستا، سیستم‌های پورت-همیلتونی (PHS) که مکانیک همیلتونی را برای توصیف سیستم‌های دینامیکی باز و غیرخودمختار تعمیم می‌دهند، با موفقیت با شبکه‌های عصبی تحت عنوان شبکه‌های عصبی پورت-همیلتونی (PHNNs) ادغام شده‌اند. در حالی که توانایی PHNNs در شناسایی سیستم‌های معادلات دیفرانسیل معمولی (ODE) همیلتونی قبلاً نشان داده شده است، کاربرد آن‌ها در یادگیری سیستم‌های معادلات دیفرانسیل جزئی (PDE) همیلتونی تا حد زیادی ناشناخته باقی مانده است. این محدودیت استفاده از آن‌ها را در آکوستیک موسیقی، جایی که سازها معمولاً به عنوان سیستم‌های پارامتر توزیع‌شده تحت حاکمیت PDEها مدل‌سازی می‌شوند، محدود می‌کند. در این پژوهش، ما نشان می‌دهیم که چگونه می‌توان دینامیک غیرخطی سیم را از داده‌ها در یک چارچوب سازگار با فیزیک از طریق بسط PHNN به PDEها یاد گرفت. با ساخت معماری‌های شبکه‌های عصبی ساختاریافته بر اساس PHS، می‌توان هم همیلتونی حاکم بر سیم و هم اتلاف مؤثر بر آن را بازیابی کرد. این رویکرد از نظر دقت و تفسیرپذیری، از روش‌های پایه که مبتنی بر فیزیک نیستند، بهتر عمل می‌کند. آزمایش‌های عددی با استفاده از داده‌های مصنوعی، توانایی مدل PHNN پیشنهادی را در شناسایی و شبیه‌سازی دینامیک غیرخطی سیستم نشان می‌دهند.

Abstract (English)

Hybrid machine learning combines physical knowledge with data-driven models to enhance interpretability and performance. In this context, Port-Hamiltonian Systems (PHS), which generalize Hamiltonian mechanics to describe open, non-autonomous dynamical systems, have been successfully integrated with neural networks under the name Port-Hamiltonian Neural Networks (PHNNs). While the ability of PHNNs to identify Hamiltonian ordinary differential equation (ODE) systems has already been demonstrated, their application to learning Hamiltonian partial differential equation (PDE) systems remains largely unexplored. This limitation restricts their use in musical acoustics, where instruments are typically modeled as distributed parameter systems governed by PDEs. In this work, we demonstrate how to learn the nonlinear string dynamics from data in a physically-consistent framework through a PHNN extension to PDEs. By constructing structured neural network architectures based on PHS, we can recover both the Hamiltonian governing the string and the dissipation affecting it. This approach outperforms baseline, non-physics-informed methods in terms of both accuracy and interpretability. Numerical experiments using synthetic data demonstrate the ability of the proposed PHNN model to identify and emulate the nonlinear dynamics of the system.

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “مقاله شناسایی دینامیک غیرخطی رشته با شبکه‌های عصبی پورت-همیلتونی”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

محصولات مشابه

پیمایش به بالا