Fugu-MT 論文翻訳(概要): Dissipative SymODEN: Encoding Hamiltonian Dynamics with Dissipation and Control into Deep Learning

論文の概要: Dissipative SymODEN: Encoding Hamiltonian Dynamics with Dissipation and Control into Deep Learning

arxiv url: http://arxiv.org/abs/2002.08860v3
Date: Thu, 30 Apr 2020 02:53:24 GMT
ステータス: 処理完了
システム内更新日: 2022-12-30 07:25:49.711267
Title: Dissipative SymODEN: Encoding Hamiltonian Dynamics with Dissipation and Control into Deep Learning
Title（参考訳）: 散逸性シモデン:散逸と深層学習への制御によるハミルトン力学の符号化
Authors: Yaofeng Desmond Zhong, Biswadip Dey, Amit Chakraborty
Abstract要約: 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。
参考スコア（独自算出の注目度）: 9.811643357656196
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this work, we introduce Dissipative SymODEN, a deep learning architecture which can infer the dynamics of a physical system with dissipation from observed state trajectories. To improve prediction accuracy while reducing network size, Dissipative SymODEN encodes the port-Hamiltonian dynamics with energy dissipation and external input into the design of its computation graph and learns the dynamics in a structured way. The learned model, by revealing key aspects of the system, such as the inertia, dissipation, and potential energy, paves the way for energy-based controllers.
Abstract（参考訳）: 本研究では,観測された状態軌跡から逸脱した物理システムのダイナミクスを推定する深層学習アーキテクチャであるdissipative symodenを提案する。ネットワークサイズを小さくして予測精度を向上させるために、 Dissipative SymODENは、エネルギー散逸と外部入力を計算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。学習モデルは、慣性、散逸、ポテンシャルエネルギーといったシステムの重要な側面を明らかにすることで、エネルギーベースのコントローラの道を開く。

関連論文リスト

Injecting Hamiltonian Architectural Bias into Deep Graph Networks for Long-Range Propagation [55.227976642410766]
グラフ内の情報拡散のダイナミクスは、グラフ表現学習に大きな影響を及ぼす重要なオープン問題である。そこで我々は(ポート-)Hamiltonian Deep Graph Networksを紹介した。我々は,非散逸的長距離伝播と非保守的行動の両方を,単一の理論的・実践的な枠組みで調整する。
論文参考訳（メタデータ） (2024-05-27T13:36:50Z)
Characterizing the load profile in power grids by Koopman mode decomposition of interconnected dynamics [0.6629765271909505]
本稿では,データ駆動手法を用いて負荷動態を同定する,解釈可能な機械学習手法を提案する。我々は、基礎となる力学に固有のクープマン演算子を用いて負荷データを表現している。ヨーロッパ大陸の電力系統における再生可能電力系統の大規模データセットを用いて,本手法の評価を行った。
論文参考訳（メタデータ） (2023-04-16T16:56:52Z)
ConCerNet: A Contrastive Learning Based Framework for Automated Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
論文参考訳（メタデータ） (2023-02-11T21:07:30Z)
Learning dynamical systems: an example from open quantum system dynamics [0.0]
我々は、デファスゲートと結合した小さなスピン鎖のダイナミクスについて研究する。クープマン演算子学習は, 密度行列の進化だけでなく, システムに付随するすべての物理観測可能量についても, 効率的に学習する手法であることを示す。
論文参考訳（メタデータ） (2022-11-12T14:36:13Z)
Unravelling the Performance of Physics-informed Graph Neural Networks for Dynamical Systems [5.787429262238507]
グラフニューラルネットワーク(GNN)とその変種の性能を、明示的な制約と異なるアーキテクチャで評価する。本研究は, 明示的制約や運動エネルギーとポテンシャルエネルギーの疎結合などの付加的な誘導バイアスを有するGNNが, 性能を著しく向上することを示した。全ての物理インフォームドGNNは、訓練システムよりも桁違いの大きさのシステムサイズに対してゼロショットの一般化性を示し、大規模な現実的なシステムをシミュレートする有望な経路を提供する。
論文参考訳（メタデータ） (2022-11-10T12:29:30Z)
Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文参考訳（メタデータ） (2022-06-07T13:51:35Z)
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)
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)
An Ode to an ODE [78.97367880223254]
我々は、O(d) 群上の行列フローに応じて主フローの時間依存パラメータが進化する ODEtoODE と呼ばれるニューラルODE アルゴリズムの新しいパラダイムを提案する。この2つの流れのネストされたシステムは、訓練の安定性と有効性を提供し、勾配の消滅・爆発問題を確実に解決する。
論文参考訳（メタデータ） (2020-06-19T22:05:19Z)
Learning Stable Deep Dynamics Models [91.90131512825504]
状態空間全体にわたって安定することが保証される力学系を学習するためのアプローチを提案する。このような学習システムは、単純な力学系をモデル化することができ、複雑な力学を学習するために追加の深層生成モデルと組み合わせることができることを示す。
論文参考訳（メタデータ） (2020-01-17T00:04:45Z)
Symplectic ODE-Net: Learning Hamiltonian Dynamics with Control [14.24939133094439]
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。
論文参考訳（メタデータ） (2019-09-26T13:13:16Z)

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。