Fugu-MT 論文翻訳(概要): Learning entropy production via neural networks

論文の概要: Learning entropy production via neural networks

arxiv url: http://arxiv.org/abs/2003.04166v4
Date: Sat, 12 Sep 2020 02:59:17 GMT
ステータス: 処理完了
システム内更新日: 2022-12-25 08:35:46.357671
Title: Learning entropy production via neural networks
Title（参考訳）: ニューラルネットワークによるエントロピー生成学習
Authors: Dong-Kyum Kim, Youngkyoung Bae, Sangyun Lee, and Hawoong Jeong
Abstract要約: このレターは、エントロピー生成のための神経推定器(NEEP)を示し、系力学の詳細な情報なしで関連する変数の軌跡からエントロピー生成(EP)を推定する。定常状態の場合、深層ニューラルネットワークの異なる選択から構築できる推定器は、ここで提案する目的関数を最適化することによってEPを提供する。
参考スコア（独自算出の注目度）: 0.10499611180329801
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This Letter presents a neural estimator for entropy production, or NEEP, that estimates entropy production (EP) from trajectories of relevant variables without detailed information on the system dynamics. For steady state, we rigorously prove that the estimator, which can be built up from different choices of deep neural networks, provides stochastic EP by optimizing the objective function proposed here. We verify the NEEP with the stochastic processes of the bead-spring and discrete flashing ratchet models, and also demonstrate that our method is applicable to high-dimensional data and can provide coarse-grained EP for Markov systems with unobservable states.
Abstract（参考訳）: このレターはエントロピー生成のための神経推定器(NEEP)を示し、系力学の詳細な情報なしで関連する変数の軌跡からエントロピー生成(EP)を推定する。定常状態に対しては、深層ニューラルネットワークの異なる選択から構築できる推定器が、ここで提案する目的関数を最適化することで確率的EPを提供することを厳密に証明する。ビーズスプリングモデルと離散点滅ラチェットモデルの確率過程を用いてニープを検証し,高次元データに適用でき,観測不能なマルコフ系に対して粗粒のepを提供できることを示す。

関連論文リスト

Dynamical Measure Transport and Neural PDE Solvers for Sampling [77.38204731939273]
本研究では, 対象物へのトラクタブル密度関数の移動として, 確率密度からサンプリングする作業に取り組む。物理インフォームドニューラルネットワーク(PINN)を用いて各偏微分方程式(PDE)の解を近似する。 PINNはシミュレーションと離散化のない最適化を可能にし、非常に効率的に訓練することができる。
論文参考訳（メタデータ） (2024-07-10T17:39:50Z)
Equivariant Neural Simulators for Stochastic Spatiotemporal Dynamics [3.909855210960908]
Equi Probabilistic Neural Simulation (EPNS)は、同変分布の自己回帰モデリングのためのフレームワークである。 EPNSは、確率的シミュレーションのための既存のニューラルネットワークベースの手法をかなり上回っている。
論文参考訳（メタデータ） (2023-05-23T17:30:10Z)
Characterizing Exceptional Points Using Neural Networks [0.0]
非エルミート系における例外点(EP)を特徴付けるために、要約位相剛性(SPR)を導入する。本稿では、SPRがトレーニングデータから完全に見つからない注文のEPを予測可能にする方法を示す。本手法は,機械学習手法を用いてEPを自動で特徴付けるのに有用である。
論文参考訳（メタデータ） (2023-05-01T11:39:03Z)
Learning to Learn with Generative Models of Neural Network Checkpoints [71.06722933442956]
ニューラルネットワークのチェックポイントのデータセットを構築し,パラメータの生成モデルをトレーニングする。提案手法は,幅広い損失プロンプトに対するパラメータの生成に成功している。我々は、教師付きおよび強化学習における異なるニューラルネットワークアーキテクチャとタスクに本手法を適用した。
論文参考訳（メタデータ） (2022-09-26T17:59:58Z)
Neural Posterior Estimation with Differentiable Simulators [58.720142291102135]
微分可能シミュレータを用いてニューラル・ポストミラー推定(NPE)を行う新しい手法を提案する。勾配情報が後部形状の制約にどのように役立ち、試料効率を向上させるかを示す。
論文参考訳（メタデータ） (2022-07-12T16:08:04Z)
NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
論文参考訳（メタデータ） (2022-02-07T12:30:45Z)
DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG Signals [62.997667081978825]
我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
論文参考訳（メタデータ） (2021-12-08T13:07:21Z)
Attaining entropy production and dissipation maps from Brownian movies via neural networks [0.0]
エントロピー生成の定量化(EP)は、メソスコピックスケールのシステムを理解するために不可欠である。本研究では,映画からのみ計算する教師なし学習アルゴリズムを用いてEPの推定手法を開発した。本手法はEPを正確に測定し,2つの非平衡系における散逸マップを作成する。
論文参考訳（メタデータ） (2021-06-29T05:45:13Z)
Gaussian processes meet NeuralODEs: A Bayesian framework for learning the dynamics of partially observed systems from scarce and noisy data [0.0]
本稿では,非線形力学系の部分的,雑音的,不規則な観測からベイズ系を同定する機械学習フレームワーク(GP-NODE)を提案する。提案手法は、微分可能プログラミングの最近の発展を利用して、通常の微分方程式解法を用いて勾配情報を伝播する。捕食者予備システム,システム生物学,50次元ヒューマンモーションダイナミクスシステムを含む提案GP-NODE法の有効性を示すために,一連の数値的研究を行った。
論文参考訳（メタデータ） (2021-03-04T23:42:14Z)
Extending machine learning classification capabilities with histogram reweighting [0.0]
本稿では,モンテカルロヒストグラム再重み付けを用いて機械学習手法の予測を外挿する手法を提案する。本稿では,畳み込みニューラルネットワークの出力を統計システムで観測可能なものとして扱い,パラメータ空間の連続範囲における外挿を可能にする。
論文参考訳（メタデータ） (2020-04-29T17:20:16Z)
Rectified Linear Postsynaptic Potential Function for Backpropagation in Deep Spiking Neural Networks [55.0627904986664]
スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
論文参考訳（メタデータ） (2020-03-26T11:13:07Z)

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。