批评jedbrown · 2019-10
“They don't evolve the simulation very long and the errors rapidly increase with time.”
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
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 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。
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。
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。
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。
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。
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。
“They don't evolve the simulation very long and the errors rapidly increase with time.”