PE-MHL：用于复杂系统可扩展学习的物理编码模块化混合层

arXiv cs.LG 论文
physics-informed-ml hybrid-models control-systems deep-learning modular-architecture scalable-learning

摘要

本文提出PE-MHL，一种物理编码模块化混合层框架，通过数据驱动子模型逐步优化基于物理的模型，提供理论收敛保证，并在控制基准测试中优于单一网络。

arXiv:2606.04290v1 公告类型：新 摘要：结合基于物理和数据驱动组件的混合模型在控制应用中展现出实现准确性和可解释性的强大潜力。尽管近期方法在融合物理一致性方面取得了进展，但在可扩展性、对噪声的鲁棒性以及模型复杂度控制方面仍存在挑战。本文提出了一种物理编码模块化混合层（PE-MHL）框架，该框架通过逐步添加新的子模型来持续优化基线物理模型，每个新组件在保留先前组件已学习知识的同时增加复杂度。我们为此构建提供了理论保证：通过对每个新子模型进行最小二乘初始化，训练误差随子模型数量单调非增且可证明收敛。在非线性NARX基准测试和Quanser Aero 2平台上的实证评估表明，PE-MHL在精度和泛化能力上均优于同等规模的单一网络，同时提供更稳定的训练动态并更好地保留底层数据结构。
查看原文

相似文章

基于物理建模的神经网络

arXiv cs.LG

本文介绍了动力学物理建模神经网络（DynPMNNs），这是一种连续时间深度学习架构，其中隐藏层由常微分方程定义。该方法基于再生核巴拿赫空间，具有生物启发性，在加州房屋数据集上展现出与标准神经ODE相当的性能，且参数更少。

用于稳定多智能体策略学习的度量梯度投影

arXiv cs.LG

介绍HPML，一种将多智能体系统的联合更新场投影到度量梯度分量上以稳定和改进多智能体强化学习的方法。它提供了理论保证，并在CTDE基准测试上展示了改进的稳定性和回报。