論文の概要: Structure-preserving neural networks

• arxiv url: http://arxiv.org/abs/2004.04653v2
• Date: Fri, 16 Oct 2020 15:07:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-15 02:27:48.402724
• Title: Structure-preserving neural networks
• Title（参考訳）: 構造保存ニューラルネットワーク
• Authors: Quercus Hern\'andez, Alberto Badias, David Gonzalez, Francisco Chinesta, and Elias Cueto
• Abstract要約: フィードフォワードニューラルネットワークを用いたデータから物理系を学習する手法を開発した。 この方法は、散逸性ハミルトニアン系の緯度構造を強制することによって、最小限のデータを使用する。
• 参考スコア（独自算出の注目度）: 0.08209843760716957
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We develop a method to learn physical systems from data that employs feedforward neural networks and whose predictions comply with the first and second principles of thermodynamics. The method employs a minimum amount of data by enforcing the metriplectic structure of dissipative Hamiltonian systems in the form of the so-called General Equation for the Non-Equilibrium Reversible-Irreversible Coupling, GENERIC [M. Grmela and H.C Oettinger (1997). Dynamics and thermodynamics of complex fluids. I. Development of a general formalism. Phys. Rev. E. 56 (6): 6620-6632]. The method does not need to enforce any kind of balance equation, and thus no previous knowledge on the nature of the system is needed. Conservation of energy and dissipation of entropy in the prediction of previously unseen situations arise as a natural by-product of the structure of the method. Examples of the performance of the method are shown that include conservative as well as dissipative systems, discrete as well as continuous ones.
• Abstract（参考訳）: 本研究では、フィードフォワードニューラルネットワークを用いたデータから物理系を学習する方法を開発し、その予測は熱力学の第一原理と第二原理に準拠する。 この方法は、非平衡可逆結合 (non-Equilibrium Reversible-Irreversible Coupling, GENERIC [M. Grmela and H.C Oettinger (1997). 複素流体の力学と熱力学 I. 一般形式論の発展. Phys. Rev. E. 56 (6): 6620-6632 この方法は、いかなる種類のバランス方程式も強制する必要がないので、システムの性質に関する以前の知識は必要ない。 未発見の状況の予測におけるエネルギーの保存とエントロピーの散逸は、その方法の構造の自然な副産物として生じる。 この手法の性能の例としては、保存的、散逸的システム、離散的、連続的なシステムなどがある。

関連論文リスト

• Thermodynamics-Consistent Graph Neural Networks [50.0791489606211]
  本稿では,二成分混合物の組成依存的活動係数を予測するために,ギブス自由エネルギーグラフニューラルネットワーク(GE-GNN)を提案する。 GE-GNNアーキテクチャはギブス自由エネルギーを超えるモルを予測することによって熱力学的整合性を確保する。 活性係数予測の精度と熱力学的整合性を示す。
  論文  参考訳（メタデータ） (2024-07-08T06:58:56Z)
• 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)
• No-Signaling in Steepest Entropy Ascent: A Nonlinear Non-local Non-equilibrium Quantum Dynamics of Composite Systems [0.0]
  リンドブレディアン形式主義は「ボトムアップ」アプローチを用いて開量子系をモデル化し、システム-環境相互作用から線形力学を導出する。 本稿では,システム構造,サブシステム間の相互作用,環境影響に着目した「トップダウン」アプローチを提案する。 第二法則の要件(ギブス状態が唯一の安定均衡である)を組み込むことは、非線形力学を必要とすることを示す。
  論文  参考訳（メタデータ） (2023-01-27T06:22:27Z)
• Thermodynamics-informed graph neural networks [0.09332987715848712]
  幾何的および熱力学的帰納バイアスを用いて、結果の積分スキームの精度と一般化を改善することを提案する。 1つ目は、非ユークリッド幾何学的事前および置換不変ノードとエッジ更新関数を誘導するグラフニューラルネットワークである。 第2のバイアスは、より一般的な非保守的力学をモデル化するために、ハミルトン形式論の拡張である問題のジェネリック構造を学ぶことで強制される。
  論文  参考訳（メタデータ） (2022-03-03T17:30:44Z)
• Decimation technique for open quantum systems: a case study with driven-dissipative bosonic chains [62.997667081978825]
  量子系の外部自由度への不可避結合は、散逸(非単体)ダイナミクスをもたらす。 本稿では,グリーン関数の(散逸的な)格子計算に基づいて,これらのシステムに対処する手法を提案する。 本手法のパワーを,複雑性を増大させる駆動散逸型ボゾン鎖のいくつかの例で説明する。
  論文  参考訳（メタデータ） (2022-02-15T19:00:09Z)
• Structure-Preserving Learning Using Gaussian Processes and Variational Integrators [62.31425348954686]
  本稿では,機械系の古典力学に対する変分積分器と,ガウス過程の回帰による残留力学の学習の組み合わせを提案する。 我々は、既知のキネマティック制約を持つシステムへのアプローチを拡張し、予測の不確実性に関する公式な境界を提供する。
  論文  参考訳（メタデータ） (2021-12-10T11:09:29Z)
• Open-system approach to nonequilibrium quantum thermodynamics at arbitrary coupling [77.34726150561087]
  熱浴に結合したオープン量子系の熱力学挙動を記述する一般的な理論を開発する。 我々のアプローチは、縮小された開系状態に対する正確な時間局所量子マスター方程式に基づいている。
  論文  参考訳（メタデータ） (2021-09-24T11:19:22Z)
• Machine learning structure preserving brackets for forecasting irreversible processes [0.0]
  本報告では, 直交力学系からの散逸ブラケットのパラメータ化について述べる。 このプロセスは、エネルギーとエントロピーが保存され、非減少することが保証された一般化されたカシミールを学ぶ。 我々は、学習力学が「ブラックボックス」やペナルティベースのアプローチよりも頑健で、より一般化されていることを示す散逸システムのためのベンチマークを提供する。
  論文  参考訳（メタデータ） (2021-06-23T18:27:59Z)
• Assessing the role of initial correlations in the entropy production rate for non-equilibrium harmonic dynamics [0.0]
  我々は、相関関係、システムの初期準備と非マルコビアン性の関係に光を当てた。 システムの初期状態のグローバルな純度がエントロピー生産率の挙動に影響を及ぼすことを示す。
  論文  参考訳（メタデータ） (2020-04-22T17:29:43Z)
• On dissipative symplectic integration with applications to gradient-based optimization [77.34726150561087]
  本稿では,離散化を体系的に実現する幾何学的枠組みを提案する。 我々は、シンプレクティックな非保守的、特に散逸的なハミルトン系への一般化が、制御された誤差まで収束率を維持することができることを示す。
  論文  参考訳（メタデータ） (2020-04-15T00:36:49Z)

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。