23:59视频长度为23:59。
基于物理的机器学习:利用自然法则改进广义深度学习模型
塞缪尔·雷蒙德博士,斯坦福大学
基于物理的机器学习涵盖了几种不同的方法,将我们周围世界的现有知识与机器学习中的强大技术融合在一起。一个备受关注的研究领域是使用深度学习来增强对复杂系统(如气候)的大规模模拟。在这里,来自卫星的数据与模拟数据一起使用,以预测这些复杂系统的演变。虽然有大量的数据,而且计算模型已经达到了显著的成熟度,但机器学习中使用的工具往往比管理物理过程的定律受限制更少。除非实施适当的约束,否则深度学习预测可以产生非物理结果。
在MATLAB中使用深度学习工具箱®R2020b,新的损失函数可以很容易地实现和测试。为了演示,在本次演讲中,将讨论一个简单的钟摆动力学案例,并通过使用两个神经网络来展示运动的预测,一个使用传统的损失函数训练,另一个使用基于物理的损失函数。结果表明,额外的约束使网络能够比传统方法更准确地预测系统的运动。虽然这代表了一个简单的概念证明,但该模型具有更复杂物理系统的许多共同方面,并允许快速和信息丰富的测试平台。
您也可以从以下列表中选择一个网站:
如何获得最佳的网站性能
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。