标签
The paper presents a controlled matched-integrator evaluation of Hamiltonian Neural Networks against a parameter-matched baseline on pendulum and Kepler dynamics, showing significant reductions in energy drift and trajectory error. It also examines the behavior of Störmer–Verlet-style rollouts with learned non-separable Hamiltonians.
介绍了Quantum Port-Hamiltonian Neural Networks (Q-pHNNs)，它利用具有测量诱导非线性的量子电路学习经典动力学，同时保持守恒和耗散特性。实验表明，能量漂移较小，且阻尼系数识别准确。
本文识别了哈密顿生成网络（HGN）在非保守环境中阻止时间泛化到不同步长的失败模式，并提出了针对性的修复方案，以实现可变时间分辨率下的稳定动力学预测。
一篇博客文章，通过微分几何解释哈密顿神经网络，使用简单的质量-弹簧系统演示如何通过网络架构施加守恒定律以实现更高效的学习。作者从基础微积分开始逐步构建了辛流形和泊松括号等数学工具。