Determining the dynamics of a physical system using deep neural networks

Brz napredak dubokih neuronskih mreža otvorio je nove načine razumijevanja kompleksnih fizičkih sustava. Ovaj diplomski rad istražuje primjenu dubokih neuronskih mreža u određivanju dinamike fizičkih sustava. Ciljevi istraživanja obuhvaćaju razvoj novih metodologija za modeliranje i predviđanje ponašanja dinamičkih sustava, koristeći snagu umjetne inteligencije. Kako bismo postigli ove ciljeve, istražili smo principe rada dubokog učenja i neuronskih mreža. Duboke neuronske mreže učene su i prilagođene korištenjem stvarnih podataka iz fizičkih sustava, omogućavajući relativno precizno karakteriziranje dinamike sustava. Rezultati su pokazali učinkovitost ovog pristupa u modeliranju jednostavnih fizičkih sustava i potencijal za primjenu na složenim sustavima. Ključni nalazi uključuju sposobnost bilježenja jednostavnijih i složenijih obrazaca u ponašanju sustava, parirajući tradicionalnim tehnikama modeliranja u točnosti i prilagodljivosti. Implikacije ovog istraživanja proširuju se na različite domene, uključujući fiziku, strojarstvo i odlučivanje temeljeno na podacima. Zaključno, ovaj diplomski rad pokazuje potencijal dubokih neuronskih mreža kao alata za određivanje dinamike fizičkih sustava. Primjena umjetne inteligencije na takve probleme obećava poboljšanje našeg razumijevanja kompleksnih sustava i olakšavanje stvaranje rješenja temeljenih na podacima.The rapid advancement of deep neural networks has opened new avenues for understanding complex physical systems. This master’s thesis explores the application of deep neural networks in determining the dynamics of physical systems. The research objectives include the development of new methodologies for modelling and predicting the behaviour of dynamic systems, and harnessing the power of artificial intelligence. To achieve these objectives, we investigated the principles of deep learning and neural networks. Deep neural networks were trained and adapted using real data from physical systems, enabling a relatively accurate characterization of system dynamics. The results demonstrated the effectiveness of this approach in modelling simple physical systems and its potential for application on more complex systems. Key findings include the ability to capture both simple and more complex patterns in system behaviour, approaching the level of precision and adaptability characteristic of conventional modelling techniques. The implications of this research extend to various domains, including physics, engineering, and data-driven decision-making. In conclu sion, this master’s thesis showcases the potential of deep neural networks as tools for determining the dynamics of physical systems. Applying artificial intelligence to such problems promises to enhance our understanding of complex systems and facilitate data-driven solutions