文件名称：Equivariant-Neural-Nets
文件大小：13MB
文件格式：ZIP
更新时间：2024-04-06 14:21:10
JupyterNotebook
等变网 将对称性纳入深度动力学模型以提高通用性 纸： Wang Rui *，Robin Walters *，Rose Yu将，ICLR 2021 抽象的： 最近的工作表明，相对于数值求解器，深度学习可以加快物理动力学的预测。 但是，有限的物理精度以及无法在分布偏移下进行概括限制了其在现实世界中的适用性。 我们建议通过将对称性合并到卷积神经网络中来提高准确性和泛化性。 具体而言，我们采用了各种方法，每种方法都经过专门设计以强制实现不同的对称性。 我们的模型在理论上和实验上都对对称组变换对分布偏移具有鲁棒性，并且具有良好的样本复杂性。 我们展示了我们的方法在包括瑞利-贝纳德对流以及现实世界洋流和温度在内的各种物理动力学上的优势。 与图像或文本应用程序相比，我们的工作是向等动态神经网络应用于具有复杂动力学的高维系统的重要一步。 数据集 2000速度场（ ） 描述 要求 python 3.6
【文件预览】：
Equivariant-Neural-Nets-master
----Uniform()
--------train.py(4KB)
--------run_model.py(3KB)
--------model.py(7KB)
--------.ipynb_checkpoints()
----Scale()
--------model2d_scalar.py(9KB)
--------run_model.py(3KB)
--------train_scalar.py(4KB)
--------train_vector.py(6KB)
--------model_vector.py(9KB)
--------.ipynb_checkpoints()
----Magnitude()
--------train.py(4KB)
--------run_model.py(3KB)
--------model.py(7KB)
--------.ipynb_checkpoints()
----Baseline()
--------train.py(4KB)
--------run_model.py(3KB)
--------model.py(4KB)
--------.ipynb_checkpoints()
----Evaluation()
--------Evaluation.py(1KB)
--------radialProfile.py(1KB)
--------.ipynb_checkpoints()
----Rotation()
--------train.py(4KB)
--------run_model.py(4KB)
--------model.py(8KB)
--------.ipynb_checkpoints()
----.DS_Store(6KB)
----Scale-Equ-Lightning()
--------model_cached.py(18KB)
--------run_model.ipynb(241KB)
--------run_model.py(918B)
--------profiler.py(1KB)
--------model_load_all.py(19KB)
--------model_combined.py(16KB)
--------model.py(19KB)
--------model_separation.py(16KB)
----3D-TF()
--------TF-net()
----README.md(2KB)
----Data()
--------rbc_sample.pt(13.13MB)
--------ocean_current_sample.pt(1.56MB)