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注入机器学习中的强大技术。一个备受关注的研究领域是利用深度学习来增强对气候等复杂系统的大规模模拟。在这里,来自卫星的数据与模拟数据一起用于预测这些复杂系统的演变。虽然有大量的数据和计算模型已经取得了显著的成熟,但机器学习中使用的工具通常比控制物理过程的定律更少受到约束。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。
使用MATLAB中的深度学习工具箱™®R2020b,新的损失函数可以很容易地实现和测试。为了证明这一点,本讲座将讨论一个钟摆动力学的简单案例,并通过使用两个神经网络来预测运动,一个使用传统损失函数训练,另一个使用基于物理的损失函数。结果表明,额外的约束条件使网络能够比常规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验证,但该模型具有更复杂物理系统的许多常见方面,并允许快速和信息丰富的测试平台。
你亦可选择下列网址:
如何获得最佳的网站性能
选择中国网站(中文或英文)以获得最佳网站性能。其他MathWorks国家网站没有针对您所在位置的访问进行优化。