Ecuaciones diferenciales ordinarias neuronales geométricas: de los múltiplos a los grupos de Lie

Área de la Ciencia:

• Sistemas dinámicos
• Aprendizaje automático
• Geometría diferencial

Sus antecedentes:

• Las ecuaciones diferenciales ordinarias neuronales (ODEs neuronales) son ampliamente utilizadas para la optimización de parámetros en sistemas dinámicos.
• Los resultados teóricos existentes para las ODE neuronales se centran principalmente en el espacio euclidiano (Rn).
• Muchos sistemas dinámicos del mundo real evolucionan en espacios más complejos como variedades diferenciables y grupos de Lie.

Objetivo del estudio:

• Extender el marco teórico de las ODE neuronales a las variedades diferenciables.
• Proporcionar una derivación unificadora de los resultados existentes para múltiples EOD neuronales.
• Introducir extensiones de ODE neuronales para sistemas que evolucionan en grupos de Lie.

Principales métodos:

• Recopilación y unificación de resultados teóricos recientes para las EOD neuronales en colectores.
• Desarrollo de un marco tutorial para la extensión de los métodos neuronales de ODE existentes a las variedades diferenciables.
• Extensión de múltiples ODE neuronales para explotar la estructura de los grupos de Lie.

Principales resultados:

• Se presenta una derivación unificada de las EOD neuronales en variedades diferenciables.
• El marco se muestra aplicable a varios sistemas dinámicos.
• Se desarrolla una nueva extensión de ODE neuronales múltiples para grupos de Lie, aprovechando su estructura específica.

Conclusiones:

• Las ODE neuronales se pueden generalizar efectivamente a variedades diferenciables y grupos de Lie.
• Esta generalización expande la aplicabilidad de las ODE neuronales a una gama más amplia de sistemas dinámicos complejos.
• Los métodos presentados ofrecen una vía para futuras investigaciones en el aprendizaje profundo geométrico y las redes neuronales basadas en la física.