从经典到量子:哈密顿神经网络

哈密顿动力学是物理学中一个研究守恒量与不变性的分支。近年来,研究者们将哈密顿动力学的守恒约束编码到神经网络中,从而构建出哈密顿神经网络。这类网络能够可解释地建模动态系统,并且有长期准确预测的能力。然而,哈密顿动力学也额外引入了输入数据能量守恒或耗散的假设,并增加了计算开销。在本文中,我们系统调研了最近提出的哈密顿神经网络模型及其方法论,并分析了深度学习在建模和求解量子多体问题方面的技术成果。我们讨论了这些模型的学习范式,并在五个方面进行了比较:广义哈密顿系统、量子多体系统、辛积分、广义输入形式、扩展问题设置。以神经网络为代表的新方法作为学习求解经典哈密顿动力学系统以及量子多体系统的有效工具,将在未来的研究中发挥重要作用。

蜂窝钢梁柱弱轴向端板连接抗震性能有限元分析

为了满足建筑装配率要求,同时可以有效减少工期,提高钢结构建筑梁柱节点可靠性,提出8种类型蜂窝梁柱弱轴向端板连接(栓接)节点,采用有限元软件Abaqus建立相关数值模型并进行节点抗震性能分析,采用环向端板连接的梁柱节点较刚接节点的极限承载能力最大可以提高6.5%,延性最大可以提高11.1%,耗能能力更好,刚度退化速率慢,同时可以实现柱端塑性铰外移至梁端,建议相关工程采用本文所提出的蜂窝钢梁柱弱轴向开口环端板连接节点。