論文の概要: Learning Hidden States in a Chaotic System: A Physics-Informed Echo State Network Approach

• arxiv url: http://arxiv.org/abs/2001.02982v2
• Date: Tue, 7 Apr 2020 11:56:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-14 03:03:47.739541
• Title: Learning Hidden States in a Chaotic System: A Physics-Informed Echo State Network Approach
• Title（参考訳）: カオスシステムにおける隠れ状態の学習:物理インフォームドエコー状態ネットワークアプローチ
• Authors: Nguyen Anh Khoa Doan, Wolfgang Polifke, Luca Magri
• Abstract要約: 我々は,非測定状態(隠れ状態)のカオスシステムにおける進化を再構築するために,Physical-Informed Echo State Network (PI-ESN) フレームワークを拡張した。 ノイズのないデータセットやノイズのないデータセットも考慮されている。
• 参考スコア（独自算出の注目度）: 5.8010446129208155
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We extend the Physics-Informed Echo State Network (PI-ESN) framework to reconstruct the evolution of an unmeasured state (hidden state) in a chaotic system. The PI-ESN is trained by using (i) data, which contains no information on the unmeasured state, and (ii) the physical equations of a prototypical chaotic dynamical system. Non-noisy and noisy datasets are considered. First, it is shown that the PI-ESN can accurately reconstruct the unmeasured state. Second, the reconstruction is shown to be robust with respect to noisy data, which means that the PI-ESN acts as a denoiser. This paper opens up new possibilities for leveraging the synergy between physical knowledge and machine learning to enhance the reconstruction and prediction of unmeasured states in chaotic dynamical systems.
• Abstract（参考訳）: 我々は,非測定状態(隠れ状態)のカオスシステムにおける進化を再構築するために,Physical-Informed Echo State Network (PI-ESN) フレームワークを拡張した。 PI-ESNは、使用によって訓練される (i)未測定の状態に関する情報を含まないデータ、及び (ii) 原型カオス力学系の物理方程式。 非ノイズとノイズのデータセットが考慮されている。 まず、PI-ESNが計測されていない状態を正確に再構築できることが示される。 第二に、再建はノイズデータに対して堅牢であることが示され、PI-ESNはノイズとして機能する。 本稿では,物理知識と機械学習の相乗効果を活かし,カオス力学系における無測定状態の再構成と予測を促進する新たな可能性を明らかにする。

関連論文リスト

• Physics-Informed Echo State Networks for Modeling Controllable Dynamical Systems [0.0]
  物理インフォームドESN (PI-ESN) は、外部入力のないカオス力学系をモデル化するために最初に提案された。 PI-ESNは、いくつかのデータポイントで以前にトレーニングされた外部入力でESNモデルを正規化することができ、過度な適合を低減し、一般化エラーを改善することができる。
  論文  参考訳（メタデータ） (2024-09-27T21:06:24Z)
• Physics-informed Discovery of State Variables in Second-Order and Hamiltonian Systems [1.7406327893433848]
  本研究では, 2階ハミルトニアン系の物理特性を利用してベースラインモデルを制約する手法を提案する。 提案モデルでは,非冗長かつ解釈可能な状態変数の最小セットを特定することにより,ベースラインモデルよりも優れる。
  論文  参考訳（メタデータ） (2024-08-21T15:10:50Z)
• Identifying latent state transition in non-linear dynamical systems [12.875635969116683]
  本研究は,基礎となる低次元潜在状態とその時間進化を回復することにより,力学系の一般化と解釈可能性を向上させることを目的とする。 非線形ICAの進歩にインスパイアされた状態空間モデリングフレームワークを提案する。これは、潜在状態だけでなく、過去の状態を現在の状態にマッピングする未知の遷移関数も特定できる。
  論文  参考訳（メタデータ） (2024-06-05T14:52:43Z)
• Assessing Neural Network Representations During Training Using Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
  ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。 データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。 本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
  論文  参考訳（メタデータ） (2023-12-04T01:32:42Z)
• Physics-Informed Long Short-Term Memory for Forecasting and Reconstruction of Chaos [5.8010446129208155]
  カオスシステムにおける未測定変数の進化を再現し,予測するために,物理インフォームド・ロング短期記憶(PI-LSTM)ネットワークを提案する。 トレーニングは規則化項によって制約され、システムの支配方程式に反する解を罰する。 この研究は、非線形システムの状態再構成と力学の学習の新しい機会を開く。
  論文  参考訳（メタデータ） (2023-02-03T18:27:59Z)
• A Priori Denoising Strategies for Sparse Identification of Nonlinear Dynamical Systems: A Comparative Study [68.8204255655161]
  本研究では, 局所的およびグローバルな平滑化手法の性能と, 状態測定値の偏差について検討・比較する。 一般に,測度データセット全体を用いたグローバルな手法は,局所点の周辺に隣接するデータサブセットを用いる局所的手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-01-29T23:31:25Z)
• Supervised DKRC with Images for Offline System Identification [77.34726150561087]
  現代の力学系はますます非線形で複雑なものになりつつある。 予測と制御のためのコンパクトで包括的な表現でこれらのシステムをモデル化するフレームワークが必要である。 本手法は,教師付き学習手法を用いてこれらの基礎関数を学習する。
  論文  参考訳（メタデータ） (2021-09-06T04:39:06Z)
• Characterizing possible failure modes in physics-informed neural networks [55.83255669840384]
  科学機械学習における最近の研究は、いわゆる物理情報ニューラルネットワーク(PINN)モデルを開発した。 既存のPINN方法論は比較的自明な問題に対して優れたモデルを学ぶことができるが、単純なPDEであっても、関連する物理現象を学習するのに失敗する可能性があることを実証する。 これらの障害モードは,NNアーキテクチャの表現力の欠如によるものではなく,PINNのセットアップによって損失状況の最適化が極めて困難であることを示す。
  論文  参考訳（メタデータ） (2021-09-02T16:06:45Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)
• Physics-Informed Echo State Networks [5.8010446129208155]
  本稿では,カオスシステムの進化を予測するための物理インフォームドEcho State Network (ESN)を提案する。 従来のESNと比較して、物理インフォームドESNは教師付き学習課題を解決するために訓練される。 提案フレームワークは、カオスシステムの時間精度予測を改善するために、機械学習と事前の物理知識を組み合わせる可能性を示している。
  論文  参考訳（メタデータ） (2020-10-31T11:47:33Z)
• Active Learning for Nonlinear System Identification with Guarantees [102.43355665393067]
  状態遷移が既知の状態-作用対の特徴埋め込みに線形に依存する非線形力学系のクラスについて検討する。 そこで本稿では, トラジェクティブ・プランニング, トラジェクティブ・トラッキング, システムの再推定という3つのステップを繰り返すことで, この問題を解決するためのアクティブ・ラーニング・アプローチを提案する。 本手法は, 非線形力学系を標準線形回帰の統計速度と同様, パラメトリック速度で推定する。
  論文  参考訳（メタデータ） (2020-06-18T04:54:11Z)

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。