Le Reti Neurali Faticano ad Apprendere le Quantità Conservate dalle Traiettorie Fisiche
Un recente studio pubblicato su arXiv indica che i modelli di diffusione basati su percorsi hamiltoniani possono raggiungere un errore quadratico medio (MSE) di rollout prossimo a 10^-3. Tuttavia, incontrano notevoli difficoltà nella conservazione dell'energia, mostrando inesattezze da 7.500 a 36.000 volte superiori al previsto. I ricercatori hanno esplorato tre sistemi hamiltoniani: massa-molla, pendolo e moto proiettile, utilizzando diversi approcci. Tra questi, un modello energetico strutturato ha mostrato un impressionante R² di 0,9999 con dati puliti, mentre una Conservation Discovery Network a scatola nera ha raggiunto un R² di 0,996 quando adeguatamente addestrata, rivelando una notevole disparità tra accuratezza predittiva e realismo fisico.
Fatti principali
- Il modello di diffusione raggiunge un MSE di rollout vicino a 10^-3
- La deviazione standard dell'energia è 7500–36000 volte maggiore del valore reale
- Lo studio analizza tre sistemi hamiltoniani: moto proiettile, pendolo, massa-molla
- Il modello energetico strutturato T(v)+V(q) raggiunge R² ≥ 0,9999 su dati puliti
- La CDN a scatola nera raggiunge R² ≥ 0,996 con coerenza temporale e loss di allineamento
- Parametro λ_align della loss di allineamento = 0,2
- Articolo pubblicato su arXiv con ID 2605.18883
- Domanda centrale: le reti neurali possono apprendere quantità globalmente conservate?
Entità
Istituzioni
- arXiv