[论文解读] Reconstruction of observed mechanical motions with Artificial Intelligence tools

Antal Jakovác, Marcell T. Kurbucz+1 more|arXiv (Cornell University)|Feb 23, 2022

Model Reduction and Neural Networks参考文献 28被引用 7

一句话总结

本文提出了一种物理信息机器学习方法，利用通过极限学习机（ELM）框架训练的浅层神经网络，重建并延续观测到的机械运动。通过同时施加多级物理定律——完整约束、守恒量以及运动方程——该方法实现了对可积系统与混沌系统（如引力摆和双摆）轨迹的稳定、高精度重建，重建误差低于1%，力恢复精度高于90%。

ABSTRACT

The goal of this paper is to determine the laws of observed trajectories assuming that there is a mechanical system in the background and using these laws to continue the observed motion in a plausible way. The laws are represented by neural networks with a limited number of parameters. The training of the networks follows the Extreme Learning Machine idea. We determine laws for different levels of embedding, thus we can represent not only the equation of motion but also the symmetries of different kinds. In the recursive numerical evolution of the system, we require the fulfillment of all the observed laws, within the determined numerical precision. In this way, we can successfully reconstruct both integrable and chaotic motions, as we demonstrate in the example of the gravity pendulum and the double pendulum.

研究动机与目标

• 当仅有离散时间轨迹数据时，以物理上合理的方式重建观测到的机械运动。
• 解决仅基于运动方程的重建方法在数值模拟中出现的不稳定性，尤其是在存在噪声或近似误差的混沌系统中。
• 开发一种在运动延续过程中保持基本物理定律（如能量守恒、约束条件）的方法。
• 利用最小化、数据驱动的神经网络模型，实现机械系统的高精度、稳定长期预测。
• 在存在真实数值噪声的可积系统（单摆）与混沌系统（双摆）上，展示该方法的鲁棒性。

提出的方法

• 使用具有单隐藏层的浅层神经网络，表示机械系统离散时间演化的递推核 FΔt(x)。
• 采用极限学习机（ELM）方法：仅训练输出层权重，而输入到隐藏层的权重随机初始化并保持固定。
• 在训练过程中施加多级物理约束：一阶（完整约束）、二阶（如能量等守恒量）和三阶（运动方程）。
• 在数值递推中同时强制满足所有约束，确保其在数值精度范围内被满足，从而稳定系统。
• 使用嵌入时间序列（如 x_n, x_{n-1}）表示系统状态，以最小化状态空间维度来捕捉动力学。
• 采用损失函数，对所有强制物理定律的偏差进行惩罚，从而提高对观测噪声和数值误差的鲁棒性。

实验结果

研究问题

• RQ1 当仅有离散时间轨迹数据时，数据驱动的AI模型能否以高精度重建机械运动？
• RQ2 如何将物理对称性与守恒定律（如能量、约束）嵌入神经网络，以提升运动重建的稳定性？
• RQ3 该方法能否在双摆等混沌系统中保持精度与稳定性，其中微小误差会指数级增长？
• RQ4 同时强制施加多级物理定律（约束、守恒量、运动方程）对重建质量与数值稳定性有何影响？
• RQ5 与标准反向传播方法相比，基于ELM的训练方法在重建机械动力学时的效率与精度如何？

主要发现

• 该方法成功重建了数学摆的运动，重建误差仅为0.83%。
• 对于双摆系统，尽管存在数值求解器差异和混沌敏感性，由于强制实施了守恒定律，重建运动仍保持长期稳定。
• 在双摆案例中，力的重建精度达到93%，表明其对底层动力学具有高度保真度。
• 通过同时强制施加多级物理定律，该方法实现了稳定的长期预测，有效防止了标准仅基于运动方程方法中常见的能量漂移与发散现象。
• 采用仅包含数百个参数（Nfeat = 100–1000）的ELM方法，实现了快速训练与推理，使该方法具有计算高效性。
• 即使在混沌系统中，精确数值解会发散，AI重建轨迹仍保持有界且合理，这得益于物理约束的强制施加。