何恺明团队推出新框架：去噪哈密顿网络

近日，何恺明团队提出了一种结合去噪方法与哈密顿神经网络的新框架，使AI更懂物理。该框架解决了现有机器学习在处理物理问题时的局限性，如仅关注局部时间关系和正向模拟。

新框架将哈密顿力学的运算符推广为通用神经运算符，既遵循物理约束又保留神经网络的灵活性。研究团队受生成图像的扩散模型启发，设计了Block-wise哈密顿量，通过划分系统状态块建立跨时间步的关系，超越了传统HNN仅对相邻时间步建模的限制。

为了实现状态优化与跨时间步建模的统一，团队采用了掩码建模策略，通过向输入状态添加噪声而非简单掩码，设计了自回归、超分辨率及任意顺序等多种掩码模式，以适应不同物理推理任务。

该网络基于仅解码器Transformer架构，每个轨迹拥有独立的可学习潜空间编码。训练时共同优化网络权重与Codebook，推理时只需调整新轨迹的编码。实验证明，该方法在正向模拟、表征学习及轨迹插值任务中均表现出色。

论文一作Congyue Deng为清华校友，现为斯坦福大学博士生，师从Leonidas Guibas。她即将加入麻省理工学院从事博士后研究，并与何恺明等知名学者合作。