論文の概要: Simplifying Hamiltonian and Lagrangian Neural Networks via Explicit
Constraints
- arxiv url: http://arxiv.org/abs/2010.13581v1
- Date: Mon, 26 Oct 2020 13:35:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-02 18:47:08.859599
- Title: Simplifying Hamiltonian and Lagrangian Neural Networks via Explicit
Constraints
- Title(参考訳): 明示的な制約によるハミルトニアンとラグランジュのニューラルネットワークの単純化
- Authors: Marc Finzi, Ke Alexander Wang, Andrew Gordon Wilson
- Abstract要約: 私たちは、現在のアプローチの限界を押し上げるために、一連の挑戦的なカオスと拡張ボディシステムを導入します。
実験の結果,明示的な制約を持つモンテカルロ座標は,精度とデータ効率を100倍に向上させることがわかった。
- 参考スコア(独自算出の注目度): 49.66841118264278
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reasoning about the physical world requires models that are endowed with the
right inductive biases to learn the underlying dynamics. Recent works improve
generalization for predicting trajectories by learning the Hamiltonian or
Lagrangian of a system rather than the differential equations directly. While
these methods encode the constraints of the systems using generalized
coordinates, we show that embedding the system into Cartesian coordinates and
enforcing the constraints explicitly with Lagrange multipliers dramatically
simplifies the learning problem. We introduce a series of challenging chaotic
and extended-body systems, including systems with N-pendulums, spring coupling,
magnetic fields, rigid rotors, and gyroscopes, to push the limits of current
approaches. Our experiments show that Cartesian coordinates with explicit
constraints lead to a 100x improvement in accuracy and data efficiency.
- Abstract(参考訳): 物理世界についての推論には、基礎となるダイナミクスを学ぶために正しい帰納バイアスを持つモデルが必要である。
最近の研究は、微分方程式を直接ではなく系のハミルトニアンあるいはラグランジアンを学ぶことによって、軌道予測の一般化を改善する。
これらの手法は一般化座標を用いてシステムの制約を符号化するが、システムをデカルト座標に埋め込み、ラグランジュ乗算器で明示的に制約を強制することは学習問題を劇的に単純化することを示している。
我々は,N-ペンデュラム,バネカップリング,磁場,剛性ローター,ジャイロスコープを備えたシステムを含む,カオス的で拡張された一連のシステムを導入し,現在のアプローチの限界を推し進める。
実験の結果,デカルト座標と明示的な制約により,精度とデータ効率が100倍向上することが示された。
関連論文リスト
- A Bayesian framework for discovering interpretable Lagrangian of
dynamical systems from data [1.0878040851638]
物理的システムの解釈可能なラグランジアン記述を学習するための代替フレームワークを提案する。
既存のニューラルネットワークベースのアプローチとは異なり、提案手法はラグランジアンの解釈可能な記述をもたらす。
論文 参考訳(メタデータ) (2023-10-10T01:35:54Z) - Deep Learning for Structure-Preserving Universal Stable Koopman-Inspired
Embeddings for Nonlinear Canonical Hamiltonian Dynamics [9.599029891108229]
シンプレクティック変換による正準非線形ハミルトン系に対する大域的線形化埋め込みの同定に着目する。
連続スペクトルを持つ系に対するクープマン作用素の欠点を克服するため、持ち上げ原理を適用し、大域的な立方体埋め込みを学習する。
我々は、コンパクトなシンプレクティック座標変換とそれに対応する単純な力学モデルを取得するためのディープラーニングの能力を実証する。
論文 参考訳(メタデータ) (2023-08-26T09:58:09Z) - Constrained Optimization via Exact Augmented Lagrangian and Randomized
Iterative Sketching [55.28394191394675]
等式制約付き非線形非IBS最適化問題に対する適応的不正確なニュートン法を開発した。
ベンチマーク非線形問題,LVMのデータによる制約付きロジスティック回帰,PDE制約問題において,本手法の優れた性能を示す。
論文 参考訳(メタデータ) (2023-05-28T06:33:37Z) - Discovering interpretable Lagrangian of dynamical systems from data [0.0]
表現学習の最近のトレンドは、データからラグランジアンを学習することである。
本稿では,データから解釈可能なラグランジアンの発見を自動化するための,新しいデータ駆動型機械学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-02-09T01:57:05Z) - Equivariant Graph Mechanics Networks with Constraints [83.38709956935095]
本稿では,グラフ力学ネットワーク(GMN)を提案する。
GMNは、一般化された座標により、構造体の前方運動学情報(位置と速度)を表す。
大規模な実験は、予測精度、制約満足度、データ効率の観点から、最先端のGNNと比較してGMNの利点を支持する。
論文 参考訳(メタデータ) (2022-03-12T14:22:14Z) - Learning Hamiltonians of constrained mechanical systems [0.0]
ハミルトン系は古典力学においてエレガントでコンパクトな形式主義である。
拘束された機械系のハミルトン関数の正確な近似に対する新しいアプローチを提案する。
論文 参考訳(メタデータ) (2022-01-31T14:03:17Z) - Deep Learning Approximation of Diffeomorphisms via Linear-Control
Systems [91.3755431537592]
我々は、制御に線形に依存する$dot x = sum_i=1lF_i(x)u_i$という形の制御系を考える。
対応するフローを用いて、コンパクトな点のアンサンブル上の微分同相写像の作用を近似する。
論文 参考訳(メタデータ) (2021-10-24T08:57:46Z) - Fast Gravitational Approach for Rigid Point Set Registration with
Ordinary Differential Equations [79.71184760864507]
本稿では,FGA(Fast Gravitational Approach)と呼ばれる厳密な点集合アライメントのための物理に基づく新しい手法を紹介する。
FGAでは、ソースとターゲットの点集合は、シミュレーションされた重力場内を移動しながら、世界規模で多重リンクされた方法で相互作用する質量を持つ剛体粒子群として解釈される。
従来のアライメント手法では,新しいメソッドクラスには特徴がないことを示す。
論文 参考訳(メタデータ) (2020-09-28T15:05:39Z) - Multipole Graph Neural Operator for Parametric Partial Differential
Equations [57.90284928158383]
物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。
線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。
実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
論文 参考訳(メタデータ) (2020-06-16T21:56:22Z)
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。