在非线性系统识别中，数据驱动的机器学习方法越来越受到关注，但标准模型往往无法保留底层物理结构，且在没有可用解析模型时难以解释。在这种背景下，port-Hamiltonian (pH) 模型提供了一种自然的物理信息表示。然而，当这些模型使用标准的多层感知器 (MLPs) 进行参数化时，学习到的构成成分往往难以解释。本文提出了一种基于 Kolmogorov-Arnold 网络 (KANs) 的非线性 port-Hamiltonian 系统的结构保持识别框架。所提出的 PH-KAN 模型通过专门的 KAN 块参数化互连矩阵、耗散矩阵、哈密顿量和输入映射，同时通过构造强制实施 port-Hamiltonian 约束。这种方法产生的构成表示允许对定义所识别 pH 组件的非线性函数进行明确检查，从而比标准 MLP 参数化得到更易解释的模型。
博主点评： PH-KAN 模型通过引入 KAN 结构，显著提升了 port-Hamiltonian 系统的可解释性，突破了传统 MLP 的局限，为非线性系统识别提供了新思路，展现了物理信息与机器学习结合的巨大潜力。