論文の概要: Symplectic ODE-Net: Learning Hamiltonian Dynamics with Control
- arxiv url: http://arxiv.org/abs/1909.12077v5
- Date: Fri, 1 Mar 2024 04:10:17 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-04 14:47:08.040286
- Title: Symplectic ODE-Net: Learning Hamiltonian Dynamics with Control
- Title(参考訳): シンプレクティックODE-Net:制御によるハミルトンダイナミクスの学習
- Authors: Yaofeng Desmond Zhong, Biswadip Dey, Amit Chakraborty
- Abstract要約: 物理系の力学を推論できるディープラーニングフレームワークであるSymlectic ODE-Net(SymODEN)を紹介する。
特に、ハミルトン力学を制御して、基礎となる力学を透過的に学習する。
このフレームワークは、物理的システムに対して解釈可能で物理的に一貫性のあるモデルを提供することで、モデルベースの制御戦略を合成する新たな可能性を開く。
- 参考スコア(独自算出の注目度): 14.24939133094439
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we introduce Symplectic ODE-Net (SymODEN), a deep learning
framework which can infer the dynamics of a physical system, given by an
ordinary differential equation (ODE), from observed state trajectories. To
achieve better generalization with fewer training samples, SymODEN incorporates
appropriate inductive bias by designing the associated computation graph in a
physics-informed manner. In particular, we enforce Hamiltonian dynamics with
control to learn the underlying dynamics in a transparent way, which can then
be leveraged to draw insight about relevant physical aspects of the system,
such as mass and potential energy. In addition, we propose a parametrization
which can enforce this Hamiltonian formalism even when the generalized
coordinate data is embedded in a high-dimensional space or we can only access
velocity data instead of generalized momentum. This framework, by offering
interpretable, physically-consistent models for physical systems, opens up new
possibilities for synthesizing model-based control strategies.
- Abstract(参考訳): 本稿では、観測状態軌跡から通常の微分方程式(ODE)によって与えられる物理系の力学を推論できるディープラーニングフレームワークであるSymlectic ODE-Net(SymODEN)を紹介する。
より少ないトレーニングサンプルでより良い一般化を実現するため、SymphODENは物理インフォームド方式で関連する計算グラフを設計することで、適切な帰納バイアスを組み込む。
特に、ハミルトニアンダイナミクスを制御によって強制し、その基盤となるダイナミクスを透明な方法で学習し、それを利用して、質量やポテンシャルエネルギーといったシステムの物理的側面についての洞察を得ることができる。
さらに, 一般化座標データが高次元空間に埋め込まれている場合や, 一般化運動量の代わりに速度データにアクセスする場合であっても, このハミルトン形式を強制できるパラメトリゼーションを提案する。
このフレームワークは、物理システムの解釈可能で物理的に一貫性のあるモデルを提供することによって、モデルベースの制御戦略を合成する新しい可能性を開く。
関連論文リスト
- No Equations Needed: Learning System Dynamics Without Relying on Closed-Form ODEs [56.78271181959529]
本稿では,従来の2段階モデリングプロセスから離れることで,低次元力学系をモデル化する概念シフトを提案する。
最初に閉形式方程式を発見して解析する代わりに、我々のアプローチ、直接意味モデリングは力学系の意味表現を予測する。
私たちのアプローチは、モデリングパイプラインを単純化するだけでなく、結果のモデルの透明性と柔軟性も向上します。
論文 参考訳(メタデータ) (2025-01-30T18:36:48Z) - SEGNO: Generalizing Equivariant Graph Neural Networks with Physical
Inductive Biases [66.61789780666727]
等変性を維持しながら, 2階連続性をGNNに組み込む方法を示す。
また、SEGNOに関する理論的知見も提供し、隣接する状態間の一意の軌跡を学習できることを強調している。
我々のモデルは最先端のベースラインよりも大幅に改善されている。
論文 参考訳(メタデータ) (2023-08-25T07:15:58Z) - Learning Neural Constitutive Laws From Motion Observations for
Generalizable PDE Dynamics [97.38308257547186]
多くのNNアプローチは、支配的PDEと物質モデルの両方を暗黙的にモデル化するエンドツーエンドモデルを学ぶ。
PDEの管理はよく知られており、学習よりも明示的に実施されるべきである、と私たちは主張する。
そこで我々は,ネットワークアーキテクチャを利用したニューラル構成則(Neural Constitutive Laws,NCLaw)と呼ばれる新しいフレームワークを導入する。
論文 参考訳(メタデータ) (2023-04-27T17:42:24Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳(メタデータ) (2023-04-08T07:55:36Z) - Physically Consistent Neural ODEs for Learning Multi-Physics Systems [0.0]
本稿では, 可逆ポート・ハミルトニアンシステム (IPHS) の枠組みを利用する。
データからパラメータを学習するために,PC-NODE(Physically Consistent NODE)を提案する。
提案手法の有効性を実世界の実測値から建物熱力学を学習し,その有効性を実証する。
論文 参考訳(メタデータ) (2022-11-11T11:20:35Z) - Constructing Neural Network-Based Models for Simulating Dynamical
Systems [59.0861954179401]
データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。
本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。
基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
論文 参考訳(メタデータ) (2021-11-02T10:51:42Z) - Physics-guided Deep Markov Models for Learning Nonlinear Dynamical
Systems with Uncertainty [6.151348127802708]
我々は物理誘導型Deep Markov Model(PgDMM)という物理誘導型フレームワークを提案する。
提案手法は,動的システムの駆動物理を維持しながら,ディープラーニングの表現力を利用する。
論文 参考訳(メタデータ) (2021-10-16T16:35:12Z) - DySMHO: Data-Driven Discovery of Governing Equations for Dynamical
Systems via Moving Horizon Optimization [77.34726150561087]
本稿では,スケーラブルな機械学習フレームワークである移動水平最適化(DySMHO)による動的システムの発見について紹介する。
DySMHOは、基底関数の大きな辞書から基礎となる支配方程式を逐次学習する。
標準非線形力学系の例は、DySMHOが規則を正確に回復できることを示すために用いられる。
論文 参考訳(メタデータ) (2021-07-30T20:35:03Z) - OnsagerNet: Learning Stable and Interpretable Dynamics using a
Generalized Onsager Principle [19.13913681239968]
我々は、一般化オンサーガー原理に基づいて、物理過程からサンプリングされた軌道データを用いて、安定かつ物理的に解釈可能な力学モデルを学ぶ。
さらに、この手法をレイリー・ベナード対流の研究に応用し、ローレンツ風の低次元自律還元次モデルを学ぶ。
論文 参考訳(メタデータ) (2020-09-06T07:30:59Z) - Unsupervised Learning of Lagrangian Dynamics from Images for Prediction
and Control [12.691047660244335]
画像からラグランジアン力学を学習する新しい教師なしニューラルネットワークモデルを導入する。
このモデルは、座標対応変分オートエンコーダで同時に学習される一般化座標上でラグランジアン力学を推論する。
論文 参考訳(メタデータ) (2020-07-03T20:06:43Z) - Dissipative SymODEN: Encoding Hamiltonian Dynamics with Dissipation and
Control into Deep Learning [9.811643357656196]
本研究では,観測された状態軌跡から散逸した物理系の力学を推論できるディープラーニングアーキテクチャである Dissipative SymODEN を紹介する。
Dissipative SymODENは、エネルギー散逸と外部入力をグラフの設計にエンコードし、構造化された方法でダイナミクスを学習する。
論文 参考訳(メタデータ) (2020-02-20T16:44:10Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。