按年被提到
20192019 · 4 次2026
机器学习与深度学习›科学机器学习·arXiv:1910.07291 · astro-ph.GA

Newton vs the machine: solving the chaotic three-body problem using deep neural networks

牛顿对决机器:用深度神经网络求解混沌三体问题
Philip G. Breen, Christopher N. Foley, Tjarda Boekholt, Simon Portegies Zwart · 2019

用神经网络替代数值积分器求解三体问题,速度快至一亿倍

开始阅读 ↗PDFalphaXiv 讨论
被提及 · 5 人首次 2019-10-26 · 最近 2020-07-28
5不同的人
3活跃月份
5讨论串
107被引(OpenAlex)

论文用任意高精度数值积分器得到的大量解来训练深度神经网络,使其在有限时间区间内以固定计算成本给出准确的三体运动解,速度最高可比先进求解器快一亿倍。作者认为在计算上困难的相空间区域,训练好的网络可以替代现有数值求解器,用于多体系统的快速大规模模拟。

HN 为什么提它

HN 评论者对它持保留态度:指出它模拟的时间很短,而且误差随时间迅速增大。

方法难度 3 / 5约 30 分钟经得起时间
读之前最好知道
1三体问题与混沌系统
2数值积分(N-body 数值方法)
3前馈神经网络回归
4相空间(phase space)

学习路径

读这篇之前,按顺序读书架上的 3 篇 · 参考文献来自 OpenAlex,顺序和要点由 Claude Code 排出

这条路径先建立深度学习的总体背景,再看用神经网络学习物理动力学的 Interaction Networks,并了解三体问题混沌性的约束,最后读本文。

  1. 1
    Deep Learning in Neural Networks: An Overview神经网络中的深度学习:综述 · 2014

    提供深度学习的整体背景,便于理解用前馈网络做函数逼近的合理性。

    读快速浏览监督学习、反向传播与深层网络的历史脉络,不必逐节细读。

  2. 2

    用神经网络学习多个物体间相互作用的物理系统,是用 ANN 替代数值积分的同类思路。

    读把物体间关系建模为成对相互作用的结构,以及它在 N 体仿真上的预测方式。

  3. 3

    讨论引力三体系统的混沌性与不可逆性,说明为什么数值积分的代价和精度难以预测。

    读混沌系统对初值的敏感性以及数值积分的精度限制这一概念;对照本文只在有限时间区间有效的设定。

  4. 4
    Newton vs the machine: solving the chaotic three-body problem using deep neural networks牛顿对决机器:用深度神经网络求解混沌三体问题 · 2019 · 就是这篇

    目标论文:用 ANN 近似三体问题的解,替代数值积分器。

    读训练数据如何由高精度积分器生成、网络输入输出的设计,以及速度与精度的比较。

HN 书评

推荐在前,同类按时间 · 每篇最多保留 20 条,统计用全部提及
批评jedbrown · 2019-10

“They don't evolve the simulation very long and the errors rapidly increase with time.”

A neural net solves the three-body problem 100M times faster原评论 ↗
被提交为 story · 4 次