論文の概要: Physics-based polynomial neural networks for one-shot learning of
dynamical systems from one or a few samples
- arxiv url: http://arxiv.org/abs/2005.11699v2
- Date: Thu, 28 May 2020 07:44:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-29 13:51:52.302799
- Title: Physics-based polynomial neural networks for one-shot learning of
dynamical systems from one or a few samples
- Title（参考訳）: 1つまたは数個のサンプルから動的システムのワンショット学習のための物理ベースの多項式ニューラルネットワーク
- Authors: Andrei Ivanov, Uwe Iben, Anna Golovkina
- Abstract要約: 本論文は, 単純な振り子と世界最大規模のX線源の双方について, 実測結果について述べる。
提案手法により, ノイズ, 制限, 部分的な観測から複雑な物理を復元することができることが実証された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper discusses an approach for incorporating prior physical knowledge
into the neural network to improve data efficiency and the generalization of
predictive models. If the dynamics of a system approximately follows a given
differential equation, the Taylor mapping method can be used to initialize the
weights of a polynomial neural network. This allows the fine-tuning of the
model from one training sample of real system dynamics. The paper describes
practical results on real experiments with both a simple pendulum and one of
the largest worldwide X-ray source. It is demonstrated in practice that the
proposed approach allows recovering complex physics from noisy, limited, and
partial observations and provides meaningful predictions for previously unseen
inputs. The approach mainly targets the learning of physical systems when
state-of-the-art models are difficult to apply given the lack of training data.
- Abstract（参考訳）: 本稿では,ニューラルネットワークに事前の物理知識を取り入れたデータ効率の向上と予測モデルの一般化について論じる。
システムのダイナミクスが与えられた微分方程式に概ね従えば、テイラー写像法は多項式ニューラルネットワークの重みを初期化するために使うことができる。
これにより、実システムダイナミクスのトレーニングサンプルからモデルの微調整が可能になる。
本稿では,単純な振り子と世界最大規模のX線源の双方を用いた実測実験について述べる。
提案手法は, ノイズ, 制限, 部分的な観測から複雑な物理を復元することができ, 従来見られなかった入力に対して有意義な予測を与える。
このアプローチは、トレーニングデータがないため、最先端のモデルの適用が難しい場合の物理システムの学習を主にターゲットとしている。
関連論文リスト
- Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。
新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。
我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
論文 参考訳（メタデータ） (2024-02-20T15:23:24Z) - Learning Latent Dynamics via Invariant Decomposition and
(Spatio-)Temporal Transformers [0.6767885381740952]
本研究では,高次元経験データから力学系を学習する手法を提案する。
我々は、システムの複数の異なるインスタンスからデータが利用できる設定に焦点を当てる。
我々は、単純な理論的分析と、合成および実世界のデータセットに関する広範な実験を通して行動を研究する。
論文 参考訳（メタデータ） (2023-06-21T07:52:07Z) - 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) - Stretched and measured neural predictions of complex network dynamics [2.1024950052120417]
微分方程式のデータ駆動近似は、力学系のモデルを明らかにする従来の方法に代わる有望な方法である。
最近、ダイナミックスを研究する機械学習ツールとしてニューラルネットワークが採用されている。これは、データ駆動型ソリューションの検出や微分方程式の発見に使用できる。
従来の統計学習理論の限界を超えてモデルの一般化可能性を拡張することは可能であることを示す。
論文 参考訳（メタデータ） (2023-01-12T09:44:59Z) - Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。
ニューラル微分方程式モデルに基づく新しい手法を提案する。
我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
論文 参考訳（メタデータ） (2022-07-21T12:11:18Z) - Multi-Objective Physics-Guided Recurrent Neural Networks for Identifying
Non-Autonomous Dynamical Systems [0.0]
制御対象の非自律系をモデル化するための物理誘導型ハイブリッド手法を提案する。
これはリカレントニューラルネットワークによって拡張され、洗練された多目的戦略を使用してトレーニングされる。
実データを用いた実験により,物理モデルと比較して精度が大幅に向上した。
論文 参考訳（メタデータ） (2022-04-27T14:33:02Z) - EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。
メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文 参考訳（メタデータ） (2022-02-21T18:59:03Z) - 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) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳（メタデータ） (2020-12-15T16:29:49Z) - Modeling System Dynamics with Physics-Informed Neural Networks Based on
Lagrangian Mechanics [3.214927790437842]
第一原則の手法は高いバイアスに悩まされるが、データ駆動モデリングは高いばらつきを持つ傾向がある。
本稿では,2つのモデリング手法を組み合わせて上記の問題を解くハイブリッドモデルであるPINODEについて述べる。
本研究の目的は,機械系のモデルベース制御とシステム同定である。
論文 参考訳（メタデータ） (2020-05-29T15:10:43Z) - Learning Queuing Networks by Recurrent Neural Networks [0.0]
データから性能モデルを導出する機械学習手法を提案する。
我々は、通常の微分方程式のコンパクトな系の観点から、それらの平均力学の決定論的近似を利用する。
これにより、ニューラルネットワークの解釈可能な構造が可能になり、システム測定からトレーニングしてホワイトボックスパラメータ化モデルを生成することができる。
論文 参考訳（メタデータ） (2020-02-25T10:56:47Z)
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。