Buchumschlag

Symplectic ODE-Net: Learning Hamiltonian Dynamics with Control

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhong, Yaofeng Desmond, Dey, Biswadip, Chakraborty, Amit
Format:	Preprint
Veröffentlicht:	2019
Schlagworte:	Machine Learning Systems and Control Computational Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Co-Learning Port-Hamiltonian Systems and Optimal Energy-Shaping Control
von: Kamboj, Ankur, et al.
Veröffentlicht: (2026)

Symplectic Inductive Bias for Data-Driven Target Reachability in Hamiltonian Systems
von: Ouyang, Zhuo, et al.
Veröffentlicht: (2026)

Lyapunov Neural ODE State-Feedback Control Policies
von: Ip, Joshua Hang Sai, et al.
Veröffentlicht: (2024)

Learning Enhanced Ensemble Filters
von: Bach, Eviatar, et al.
Veröffentlicht: (2025)

Learning Hamiltonian Dynamics with Bayesian Data Assimilation
von: Kim, Taehyeun, et al.
Veröffentlicht: (2025)

Learning Dynamics from Input-Output Data with Hamiltonian Gaussian Processes
von: Ewering, Jan-Hendrik, et al.
Veröffentlicht: (2025)

Learning of Hamiltonian Dynamics with Reproducing Kernel Hilbert Spaces
von: Smith, Torbjørn, et al.
Veröffentlicht: (2023)

Learning Passive Continuous-Time Dynamics with Multistep Port-Hamiltonian Gaussian Processes
von: Leung, Chi Ho, et al.
Veröffentlicht: (2025)

Learning Subsystem Dynamics in Nonlinear Systems via Port-Hamiltonian Neural Networks
von: van Otterdijk, G. J. E., et al.
Veröffentlicht: (2024)

Learning Hamiltonian Dynamics with Reproducing Kernel Hilbert Spaces and Random Features
von: Smith, Torbjørn, et al.
Veröffentlicht: (2024)

Feasibility-aware Learning of Robust Temporal Logic Controllers using BarrierNet
von: Liu, Wenliang, et al.
Veröffentlicht: (2025)

Model-Based Reinforcement Learning Control of Reaction-Diffusion Problems
von: Schenk, Christina, et al.
Veröffentlicht: (2024)

Frequency-Separable Hamiltonian Neural Network for Multi-Timescale Dynamics
von: Li, Yaojun, et al.
Veröffentlicht: (2026)

Learning Locally Interacting Discrete Dynamical Systems: Towards Data-Efficient and Scalable Prediction
von: Kang, Beomseok, et al.
Veröffentlicht: (2024)

Time-Varying Deep State Space Models for Sequences with Switching Dynamics
von: Karilanova, Sanja, et al.
Veröffentlicht: (2026)

Controlled oscillation modeling using port-Hamiltonian neural networks
von: Linares, Maximino, et al.
Veröffentlicht: (2026)

Group-Theoretic Reinforcement Learning of Dynamical Decoupling Sequences
von: Marrder, Charles, et al.
Veröffentlicht: (2025)

Towards an Optimal Control Perspective of ResNet Training
von: Püttschneider, Jens, et al.
Veröffentlicht: (2025)

Beacon, a lightweight deep reinforcement learning benchmark library for flow control
von: Viquerat, Jonathan, et al.
Veröffentlicht: (2024)

Friction on Demand: A Generative Framework for the Inverse Design of Metainterfaces
von: Mouton, Valentin, et al.
Veröffentlicht: (2025)

Inverse Modeling of Dielectric Response in Time Domain using Physics-Informed Neural Networks
von: Esenov, Emir, et al.
Veröffentlicht: (2025)

Fast Bayesian equipment condition monitoring via simulation based inference: applications to heat exchanger health
von: Collett, Peter, et al.
Veröffentlicht: (2026)

Neural Port-Hamiltonian Models for Nonlinear Distributed Control: An Unconstrained Parametrization Approach
von: Zakwan, Muhammad, et al.
Veröffentlicht: (2024)

Transfer Learning for Control Systems via Neural Simulation Relations
von: Nadali, Alireza, et al.
Veröffentlicht: (2024)

Mixed Monotonicity Reachability Analysis of Neural ODE: A Trade-Off Between Tightness and Efficiency
von: Sayed, Abdelrahman Sayed, et al.
Veröffentlicht: (2025)

Structure- and Stability-Preserving Learning of Port-Hamiltonian Systems
von: Nguyen, Binh, et al.
Veröffentlicht: (2026)

Optimal Control of Mechanical Ventilators with Learned Respiratory Dynamics
von: Ward, Isaac Ronald, et al.
Veröffentlicht: (2024)

Error estimation for physics-informed neural networks with implicit Runge-Kutta methods
von: Stiasny, Jochen, et al.
Veröffentlicht: (2024)

Safe and Near-Optimal Control with Online Dynamics Learning
von: Prajapat, Manish, et al.
Veröffentlicht: (2025)

Dynamic Controlled Variables Based Dynamic Self-Optimizing Control
von: Zhou, Chenchen, et al.
Veröffentlicht: (2026)

Iterative Learning Control of Fast, Nonlinear, Oscillatory Dynamics (Preprint)
von: Brooks, John W., et al.
Veröffentlicht: (2024)

Dyna-Style Reinforcement Learning Modeling and Control of Non-linear Dynamics
von: Abdelsalam, Karim, et al.
Veröffentlicht: (2025)

Agile Climate-Sensor Design and Calibration Algorithms Using Machine Learning: Experiments From Cape Point
von: Barrett, Travis, et al.
Veröffentlicht: (2025)

Detecting and Mitigating System-Level Anomalies of Vision-Based Controllers
von: Gupta, Aryaman, et al.
Veröffentlicht: (2023)

Port-Hamiltonian Neural ODE Networks on Lie Groups For Robot Dynamics Learning and Control
von: Duong, Thai, et al.
Veröffentlicht: (2024)

Hybrid Meta-Learning Framework for Anomaly Forecasting in Nonlinear Dynamical Systems via Physics-Inspired Simulation and Deep Ensembles
von: Bereketoglu, Abdullah Burkan
Veröffentlicht: (2025)

Generative Machine Learning in Adaptive Control of Dynamic Manufacturing Processes: A Review
von: Lee, Suk Ki, et al.
Veröffentlicht: (2025)

A Pontryagin Method of Model-based Reinforcement Learning via Hamiltonian Actor-Critic
von: Gu, Chengyang, et al.
Veröffentlicht: (2026)

Learning Optimal Control and Dynamical Structure of Global Trajectory Search Problems with Diffusion Models
von: Graebner, Jannik, et al.
Veröffentlicht: (2024)

Deep-Learning-Directed Preventive Dynamic Security Control via Coordinated Demand Response
von: Masoumi, Amin, et al.
Veröffentlicht: (2025)