辛物理嵌入学习网络

参数减半效率更高

把哈密顿动力学和李群对称性作为物理先验嵌入网络结构，使动力学预测网络兼具物理一致性和紧致的参数拓扑。

王飞 · 陈立平 · 丁建完

Scientific Reports 2025

参数信息

参数减少率

>52 %

计算效率提升

>75 %

计算效率提升 (SPEL-KAN)

>39 %

技术优势

参数减半

通过物理驱动约束强制质量、耗散和控制矩阵的稀疏性，并用可训练参数替换与输入无关的矩阵元素，显著降低输出维度。

算得更快

网络拓扑结构优化后计算效率提升超过75%，参数减少意味着推理时所需运算量大幅降低。

物理可信

将哈密顿动力学和李群对称性嵌入架构，使网络预测遵循力学规律，避免违反能量守恒等物理约束。

免手动调试

通过物理驱动的稀疏约束和可训练参数，网络结构无需人工设计或猜测关联性，实现自动拓扑优化。

应用场景

• 串联机械臂动力学控制：为串联机械臂提供轻量物理一致动力学模型，降低实时控制的算力需求。
• 机器人学习：物理先验嵌入学习使模型在小数据下仍保持力学规律，适合机器人学习任务。
• 工业机器人：高效轻量模型可部署于工业机器人控制器，实现精确动力学预测而不增加算力负担。
• 人形机器人：适用于多刚体串联结构的人形机器人动力学建模，提高预测精度与稳定性。
• 机械系统建模：以物理嵌入方式替代纯黑箱网络，为机械系统建模提供可解释的结构化方案。