論文の概要: Bridging the Gap: Machine Learning to Resolve Improperly Modeled
Dynamics
- arxiv url: http://arxiv.org/abs/2008.12642v1
- Date: Sun, 23 Aug 2020 04:57:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-26 03:11:56.097160
- Title: Bridging the Gap: Machine Learning to Resolve Improperly Modeled
Dynamics
- Title(参考訳): ギャップを埋める:不適切なモデル化されたダイナミクスを解決する機械学習
- Authors: Maan Qraitem, Dhanushka Kularatne, Eric Forgoston, M. Ani Hsieh
- Abstract要約: 本稿では,複雑な時間的挙動を示すシステムに対して,不適切にモデル化された力学を克服するためのデータ駆動型モデリング戦略を提案する。
本稿では,システムの真の力学と,不正確あるいは不適切に記述されたシステムのモデルによって与えられる力学の相違を解決するためのディープラーニングフレームワークを提案する。
- 参考スコア(独自算出の注目度): 4.940323406667406
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a data-driven modeling strategy to overcome improperly modeled
dynamics for systems exhibiting complex spatio-temporal behaviors. We propose a
Deep Learning framework to resolve the differences between the true dynamics of
the system and the dynamics given by a model of the system that is either
inaccurately or inadequately described. Our machine learning strategy leverages
data generated from the improper system model and observational data from the
actual system to create a neural network to model the dynamics of the actual
system. We evaluate the proposed framework using numerical solutions obtained
from three increasingly complex dynamical systems. Our results show that our
system is capable of learning a data-driven model that provides accurate
estimates of the system states both in previously unobserved regions as well as
for future states. Our results show the power of state-of-the-art machine
learning frameworks in estimating an accurate prior of the system's true
dynamics that can be used for prediction up to a finite horizon.
- Abstract(参考訳): 複雑な時空間的挙動を示すシステムの不適切にモデル化されたダイナミクスを克服するためのデータ駆動モデリング戦略を提案する。
本稿では,システムの真のダイナミクスと,不正確あるいは不適切に記述されたシステムのモデルによって与えられるダイナミクスとの差異を解決するための深層学習フレームワークを提案する。
我々の機械学習戦略は、不適切なシステムモデルから生成されたデータと実際のシステムの観測データを利用して、実際のシステムのダイナミクスをモデル化するニューラルネットワークを作成する。
3つの複雑な力学系から得られる数値解を用いて,提案手法を評価する。
その結果,従来観測されていなかった領域と将来の状態の両方において,システム状態の正確な推定を行うデータ駆動モデルが学習可能であることがわかった。
以上の結果から,有限地平線までの予測に使用できるシステムの真の力学の精度を推定する上で,最先端の機械学習フレームワークの能力を示す。
関連論文リスト
- Learning System Dynamics without Forgetting [60.08612207170659]
未知の力学を持つ系の軌道予測は、物理学や生物学を含む様々な研究分野において重要である。
本稿では,モードスイッチンググラフODE (MS-GODE) の新たなフレームワークを提案する。
生体力学の異なる多様な系を特徴とする生体力学システムの新しいベンチマークを構築した。
論文 参考訳(メタデータ) (2024-06-30T14:55:18Z) - eXponential FAmily Dynamical Systems (XFADS): Large-scale nonlinear Gaussian state-space modeling [9.52474299688276]
非線形状態空間グラフィカルモデルのための低ランク構造化変分オートエンコーダフレームワークを提案する。
我々のアプローチは、より予測的な生成モデルを学ぶ能力を一貫して示している。
論文 参考訳(メタデータ) (2024-03-03T02:19:49Z) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳(メタデータ) (2021-12-15T20:09:20Z) - 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) - 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) - 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) - Knowledge-Based Learning of Nonlinear Dynamics and Chaos [3.673994921516517]
本稿では,非線形システムから観測結果に基づいて予測モデルを抽出するための普遍的な学習フレームワークを提案する。
我々のフレームワークは、非線形システムを連続時間系として自然にモデル化するため、第一原理知識を容易に組み込むことができる。
論文 参考訳(メタデータ) (2020-10-07T13:50:13Z) - 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)
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。