Buchumschlag

Stable Port-Hamiltonian Neural Networks

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Roth, Fabian J., Klein, Dominik K., Kannapinn, Maximilian, Peters, Jan, Weeger, Oliver
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Digital twin inference from multi-physical simulation data of DED additive manufacturing processes with neural ODEs
von: Kannapinn, Maximilian, et al.
Veröffentlicht: (2024)

TwinLab: a framework for data-efficient training of non-intrusive reduced-order models for digital twins
von: Kannapinn, Maximilian, et al.
Veröffentlicht: (2024)

Port-Hamiltonian Neural Networks with Output Error Noise Models
von: Moradi, Sarvin, et al.
Veröffentlicht: (2025)

Stochastic Port-Hamiltonian Neural Networks: Universal Approximation with Passivity Guarantees
von: Di Persio, Luca, et al.
Veröffentlicht: (2026)

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

Neural Port-Hamiltonian Differential Algebraic Equations for Compositional Learning of Electrical Networks
von: Neary, Cyrus, et al.
Veröffentlicht: (2024)

HYVE: Hybrid Vertex Encoder for Neural Distance Fields
von: Jeske, Stefan Rhys, et al.
Veröffentlicht: (2023)

GENOT: Entropic (Gromov) Wasserstein Flow Matching with Applications to Single-Cell Genomics
von: Klein, Dominik, et al.
Veröffentlicht: (2023)

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

Resource-Efficient Neural Networks for Embedded Systems
von: Roth, Wolfgang, et al.
Veröffentlicht: (2020)

Port-Hamiltonian Architectural Bias for Long-Range Propagation in Deep Graph Networks
von: Heilig, Simon, et al.
Veröffentlicht: (2024)

Neural networks meet hyperelasticity: A monotonic approach
von: Klein, Dominik K., et al.
Veröffentlicht: (2025)

Separable Hamiltonian Neural Networks
von: Khoo, Zi-Yu, et al.
Veröffentlicht: (2023)

Use the Online Network If You Can: Towards Fast and Stable Reinforcement Learning
von: Hendawy, Ahmed, et al.
Veröffentlicht: (2025)

The Sensitivity of Variational Bayesian Neural Network Performance to Hyperparameters
von: Koermer, Scott, et al.
Veröffentlicht: (2025)

Combining Scatter Transform and Deep Neural Networks for Multilabel Electrocardiogram Signal Classification
von: Oppelt, Maximilian P, et al.
Veröffentlicht: (2020)

Eau De $Q$-Network: Adaptive Distillation of Neural Networks in Deep Reinforcement Learning
von: Vincent, Théo, et al.
Veröffentlicht: (2025)

Hamiltonian Monte Carlo on ReLU Neural Networks is Inefficient
von: Dinh, Vu C., et al.
Veröffentlicht: (2024)

Hamiltonian Neural Networks for Robust Out-of-Time Credit Scoring
von: Marín, Javier
Veröffentlicht: (2024)

Hybrid Energy-Based Models for Physical AI: Provably Stable Identification of Port-Hamiltonian Dynamics
von: Betteti, Simone, et al.
Veröffentlicht: (2026)

Learning Trajectories of Hamiltonian Systems with Neural Networks
von: Haitsiukevich, Katsiaryna, et al.
Veröffentlicht: (2022)

Adaptive $Q$-Network: On-the-fly Target Selection for Deep Reinforcement Learning
von: Vincent, Théo, et al.
Veröffentlicht: (2024)

Stable Learning Using Spiking Neural Networks Equipped With Affine Encoders and Decoders
von: Neuman, A. Martina, et al.
Veröffentlicht: (2024)

Energy-based Epistemic Uncertainty for Graph Neural Networks
von: Fuchsgruber, Dominik, et al.
Veröffentlicht: (2024)

Investigating Target Class Influence on Neural Network Compressibility for Energy-Autonomous Avian Monitoring
von: Brolich, Nina, et al.
Veröffentlicht: (2026)

Rank Collapse Causes Over-Smoothing and Over-Correlation in Graph Neural Networks
von: Roth, Andreas, et al.
Veröffentlicht: (2023)

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

Machine Learning with Physics Knowledge for Prediction: A Survey
von: Watson, Joe, et al.
Veröffentlicht: (2024)

Flow-Attentional Graph Neural Networks
von: Plettenberg, Pascal, et al.
Veröffentlicht: (2025)

Information Plane Analysis of Binary Neural Networks
von: Nothnagel, Maximilian, et al.
Veröffentlicht: (2026)

Identify Then Project: Contrastive Learning of Latent Dynamics from Partial Observations with Port-Hamiltonian Structure
von: Li, Peilun, et al.
Veröffentlicht: (2026)

Orientation-Free Neural Network-Based Bias Estimation for Low-Cost Stationary Accelerometers
von: Levin, Michal, et al.
Veröffentlicht: (2025)

Context-Aware Deep Lagrangian Networks for Model Predictive Control
von: Schulze, Lucas, et al.
Veröffentlicht: (2025)

Plug-and-Play Physics-informed Learning using Uncertainty Quantified Port-Hamiltonian Models
von: Tan, Kaiyuan, et al.
Veröffentlicht: (2025)

A Hamiltonian driven Geometric Construction of Neural Networks on the Lognormal Statistical Manifold
von: Assandje, Prosper Rosaire Mama, et al.
Veröffentlicht: (2025)

Unbalancedness in Neural Monge Maps Improves Unpaired Domain Translation
von: Eyring, Luca, et al.
Veröffentlicht: (2023)

Designing Stable Neural Networks using Convex Analysis and ODEs
von: Sherry, Ferdia, et al.
Veröffentlicht: (2023)

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

Nonlinear electro-elastic finite element analysis with neural network constitutive models
von: Klein, Dominik K., et al.
Veröffentlicht: (2024)

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