Miles Cranmer，Sam Greydanus，Stephan Hoyer，Peter Battaglia，David Spergel，Shirley Ho接受了ICLR 2020年关于微分方程的讲习班
概括
在此项目中，我们提出了拉格朗日神经网络（LNN），该网络可以使用神经网络对任意拉格朗日参数进行参数化。 与哈密顿神经网络相反，这些模型不需要规范的坐标，并且在难以计算广义动量的情况下（例如，双摆）表现良好。 这对于在学习型潜在表示中使用特别有吸引力，这是HNN挣扎的情况。 与不同，LNN是完全通用的，并扩展到非完整系统，例如一维波动方程。
神经网络
LNN（这项工作）
学习动态
:check_mark:
:check_mark:
:check_mark:
:check_mark:
:check_mark:
学习连续时间动态
:check_mark:
:check_mark:
:check_mark:
:check_mark:
了解确切的保护法
:check_mark:
:check_mark:
:check_mark:
