8、结合物理学和深度学习的连续时间动力学模型实验评估

结合物理学和深度学习的连续时间动力学模型实验评估

1 实验概述

在本章中，我们应用了受物理学启发的深度网络模型来学习模拟系统和物理系统的非线性动态。我们的目标是评估这些模型在不同场景下的性能，并与传统黑箱模型进行对比。实验中，我们使用了四种不同的系统：双连杆摆、Barrett WAM、卡特波尔（Cartpole）和Furuta摆锤。这些系统的具体参数和配置如表1所示。

表1 用于不同动力系统的 DeLaN超参数

<

系统	总自由度/驱动自由度	训练样本数量	网络维度	激活函数	批量大小	学习率	权重衰减	优化器
双连杆摆	2/2	2500 & 10^5	[2× 64]	Tanh	512	10^-4	10^-5	ADAM
卡特波尔	2/1	10^5/≈200 s	[2× 256]	SoftPlus