論文の概要: Symplectic Gaussian Process Regression of Hamiltonian Flow Maps
- arxiv url: http://arxiv.org/abs/2009.05569v1
- Date: Fri, 11 Sep 2020 17:56:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-19 21:50:18.913131
- Title: Symplectic Gaussian Process Regression of Hamiltonian Flow Maps
- Title(参考訳): ハミルトン流図のシンプレクティックガウス過程回帰
- Authors: Katharina Rath, Christopher G. Albert, Bernd Bischl, Udo von Toussaint
- Abstract要約: ハミルトンフローマップに対する適切な効率なエミュレータを構築するためのアプローチを提案する。
将来的な応用は、加速器における高速荷電粒子の長期追跡と磁気プラズマ閉じ込めである。
- 参考スコア(独自算出の注目度): 0.8029049649310213
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We present an approach to construct appropriate and efficient emulators for
Hamiltonian flow maps. Intended future applications are long-term tracing of
fast charged particles in accelerators and magnetic plasma confinement
configurations. The method is based on multi-output Gaussian process regression
on scattered training data. To obtain long-term stability the symplectic
property is enforced via the choice of the matrix-valued covariance function.
Based on earlier work on spline interpolation we observe derivatives of the
generating function of a canonical transformation. A product kernel produces an
accurate implicit method, whereas a sum kernel results in a fast explicit
method from this approach. Both correspond to a symplectic Euler method in
terms of numerical integration. These methods are applied to the pendulum and
the H\'enon-Heiles system and results compared to an symmetric regression with
orthogonal polynomials. In the limit of small mapping times, the Hamiltonian
function can be identified with a part of the generating function and thereby
learned from observed time-series data of the system's evolution. Besides
comparable performance of implicit kernel and spectral regression for
symplectic maps, we demonstrate a substantial increase in performance for
learning the Hamiltonian function compared to existing approaches.
- Abstract(参考訳): ハミルトンフローマップに対する適切な効率なエミュレータを構築するためのアプローチを提案する。
将来の用途は加速器における高速荷電粒子の長期追跡と磁気プラズマ閉じ込め構成である。
本手法は分散トレーニングデータを用いた複数出力ガウス過程回帰に基づく。
長期安定を得るためには、行列値共分散関数の選択によりシンプレクティック特性を強制する。
スプライン補間に関する初期の研究に基づいて、正準変換の生成関数の微分を観察する。
製品カーネルは正確な暗黙のメソッドを生成するが、sumカーネルはこのアプローチから高速な明示的なメソッドを生成する。
どちらも数値積分の点でシンプレクティックオイラー法に対応する。
これらの方法は振り子とH\'enon-Heiles系に適用され、直交多項式を持つ対称回帰と比較される。
小さな写像時間の限界において、ハミルトニアン関数は生成関数の一部と同一視することができ、従って系の進化の観測された時系列データから学習することができる。
シンプレクティックマップの暗黙的カーネルとスペクトル回帰の同等の性能に加えて、既存のアプローチと比較してハミルトン関数の学習性能が大幅に向上したことを示す。
関連論文リスト
- Learning dissipative Hamiltonian dynamics with reproducing kernel Hilbert spaces and random Fourier features [0.7510165488300369]
本稿では,限定的かつノイズの多いデータセットから散逸的ハミルトン力学を学習するための新しい手法を提案する。
この手法の性能は、2つの散逸するハミルトン系のシミュレーションで検証される。
論文 参考訳(メタデータ) (2024-10-24T11:35:39Z) - A Structure-Preserving Kernel Method for Learning Hamiltonian Systems [3.594638299627404]
構造保存されたカーネルリッジ回帰法は、潜在的に高次元かつ非線形なハミルトン関数の回復を可能にする。
本稿では,勾配の線形関数を含む損失関数が要求される問題に対して,カーネル回帰法を拡張した。
固定正則化パラメータと適応正則化パラメータを用いて収束率を提供する完全誤差解析を行う。
論文 参考訳(メタデータ) (2024-03-15T07:20:21Z) - Stochastic Gradient Descent for Gaussian Processes Done Right [86.83678041846971]
emphdone right -- 最適化とカーネルコミュニティからの具体的な洞察を使用するという意味で -- が、勾配降下は非常に効果的であることを示している。
本稿では,直感的に設計を記述し,設計選択について説明する。
本手法は,分子結合親和性予測のための最先端グラフニューラルネットワークと同程度にガウス過程の回帰を配置する。
論文 参考訳(メタデータ) (2023-10-31T16:15:13Z) - Score-based Continuous-time Discrete Diffusion Models [102.65769839899315]
連続時間マルコフ連鎖を介して逆過程が認知されるマルコフジャンププロセスを導入することにより、拡散モデルを離散変数に拡張する。
条件境界分布の単純なマッチングにより、偏りのない推定器が得られることを示す。
提案手法の有効性を,合成および実世界の音楽と画像のベンチマークで示す。
論文 参考訳(メタデータ) (2022-11-30T05:33:29Z) - Adjoint-aided inference of Gaussian process driven differential
equations [0.8257490175399691]
本稿では,線形系の随伴性を用いて,GPとしてモデル化された強制関数を効率的に推論する方法を示す。
常微分方程式と偏微分方程式の両方の系に対するアプローチを実証する。
論文 参考訳(メタデータ) (2022-02-09T17:35:14Z) - Scalable Variational Gaussian Processes via Harmonic Kernel
Decomposition [54.07797071198249]
汎用性を維持しつつ高い忠実度近似を提供する,スケーラブルな変分ガウス過程近似を導入する。
様々な回帰問題や分類問題において,本手法は変換やリフレクションなどの入力空間対称性を活用できることを実証する。
提案手法は, 純粋なGPモデルのうち, CIFAR-10 の最先端化を実現する。
論文 参考訳(メタデータ) (2021-06-10T18:17:57Z) - A Discrete Variational Derivation of Accelerated Methods in Optimization [68.8204255655161]
最適化のための異なる手法を導出できる変分法を導入する。
我々は1対1の対応において最適化手法の2つのファミリを導出する。
自律システムのシンプレクティシティの保存は、ここでは繊維のみに行われる。
論文 参考訳(メタデータ) (2021-06-04T20:21:53Z) - The Connection between Discrete- and Continuous-Time Descriptions of
Gaussian Continuous Processes [60.35125735474386]
我々は、一貫した推定子をもたらす離散化が粗粒化下での不変性を持つことを示す。
この結果は、導関数再構成のための微分スキームと局所時間推論アプローチの組み合わせが、2次または高次微分方程式の時系列解析に役立たない理由を説明する。
論文 参考訳(メタデータ) (2021-01-16T17:11:02Z) - SLEIPNIR: Deterministic and Provably Accurate Feature Expansion for
Gaussian Process Regression with Derivatives [86.01677297601624]
本稿では,2次フーリエ特徴に基づく導関数によるGP回帰のスケーリング手法を提案する。
我々は、近似されたカーネルと近似された後部の両方に適用される決定論的、非漸近的、指数関数的に高速な崩壊誤差境界を証明した。
論文 参考訳(メタデータ) (2020-03-05T14:33:20Z) - Analysis of Bayesian Inference Algorithms by the Dynamical Functional
Approach [2.8021833233819486]
学生自明なシナリオにおいて,大ガウス潜在変数モデルを用いて近似推論のアルゴリズムを解析する。
完全データモデルマッチングの場合、レプリカ法から派生した静的順序パラメータの知識により、効率的なアルゴリズム更新が得られる。
論文 参考訳(メタデータ) (2020-01-14T17:22:02Z)
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。