驯服AI，更懂物理！何恺明团队提出全新DHN「去噪哈密顿网络」

224 0 0

文章摘要

【关键词】 物理推理、神经网络、哈密顿力学、去噪机制、Transformer

何恺明团队提出的去噪哈密顿网络（DHN）将哈密顿力学融入神经网络，突破了传统局部时间步的限制，并通过独特的去噪机制在物理推理任务中表现出色。传统机器学习方法在处理复杂物理系统时存在局限性，而DHN通过引入块式离散哈密顿，能够捕捉更长时间范围内的状态关系，从而更好地把握系统的全局特征和高级别相互作用。DHN的创新之处在于它将哈密顿力学推广到神经网络，并通过去噪机制减轻数值积分误差，提高了模型的长期预测稳定性。

DHN的核心思想是将系统状态按时间维度划分为状态块，每个状态块包含多个时间步的状态信息。通过这种方式，DHN能够捕捉更广泛的时间相关性，同时保持哈密顿结构的不变性。块式离散哈密顿的引入使DHN能够突破传统方法只能关注局部时间步的限制，从而在处理复杂物理系统时表现出更强的能力。此外，DHN的去噪机制受到去噪扩散模型的启发，通过在训练过程中添加不同程度的噪声，逐步恢复真实的物理状态，有效提高了模型的适应性和稳定性。

DHN的架构基于仅解码Transformer，输入由不同时刻的堆叠状态组成，并引入全局潜在编码z对整个轨迹进行条件控制。这种架构使DHN能够在单个GPU上高效运行，同时通过将噪声尺度编码到位置嵌入中，让网络更好地感知噪声对状态的影响。此外，DHN采用自动解码架构，为每个轨迹维护一个可学习的潜在编码z，在训练过程中联合优化网络权重和潜在编码，从而快速适应新的轨迹。

在实验中，DHN在多个物理推理任务中表现出色。在正向模拟任务中，DHN能够根据初始条件准确预测物理系统的未来状态，误差显著低于传统的哈密顿神经网络（HNN）。DHN在表示学习任务中也表现出色，能够更准确地捕捉物理系统的潜在特征，并在轨迹插值任务中展现出强大的泛化能力。尽管DHN在物理推理领域取得了显著成果，但其计算成本较高，限制了其应用范围。

总的来说，DHN通过将哈密顿力学与神经网络结合，并通过去噪机制和块式离散哈密顿的创新设计，显著提升了物理推理任务的性能。DHN的成功不仅展示了物理约束在机器学习中的重要性，也为未来在复杂物理系统中的应用提供了新的思路。