論文の概要: Physics-Informed Echo State Networks

• arxiv url: http://arxiv.org/abs/2011.02280v1
• Date: Sat, 31 Oct 2020 11:47:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-01 05:21:39.930635
• Title: Physics-Informed Echo State Networks
• Title（参考訳）: 物理インフォームドエコー状態ネットワーク
• Authors: Nguyen Anh Khoa Doan, Wolfgang Polifke, Luca Magri
• Abstract要約: 本稿では,カオスシステムの進化を予測するための物理インフォームドEcho State Network (ESN)を提案する。 従来のESNと比較して、物理インフォームドESNは教師付き学習課題を解決するために訓練される。 提案フレームワークは、カオスシステムの時間精度予測を改善するために、機械学習と事前の物理知識を組み合わせる可能性を示している。
• 参考スコア（独自算出の注目度）: 5.8010446129208155
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a physics-informed Echo State Network (ESN) to predict the evolution of chaotic systems. Compared to conventional ESNs, the physics-informed ESNs are trained to solve supervised learning tasks while ensuring that their predictions do not violate physical laws. This is achieved by introducing an additional loss function during the training, which is based on the system's governing equations. The additional loss function penalizes non-physical predictions without the need of any additional training data. This approach is demonstrated on a chaotic Lorenz system and a truncation of the Charney-DeVore system. Compared to the conventional ESNs, the physics-informed ESNs improve the predictability horizon by about two Lyapunov times. This approach is also shown to be robust with regard to noise. The proposed framework shows the potential of using machine learning combined with prior physical knowledge to improve the time-accurate prediction of chaotic dynamical systems.
• Abstract（参考訳）: 本稿では,カオスシステムの進化を予測するための物理インフォームドEcho State Network (ESN)を提案する。 従来のESNと比較して、物理インフォームドESNは教師付き学習課題を解決するために訓練され、予測が物理法則に反しないことを保証する。 これは、システムの制御方程式に基づいてトレーニング中に追加の損失関数を導入することで達成される。 追加損失関数は、追加のトレーニングデータを必要としない非物理的予測をペナルティ化する。 このアプローチはカオス的なローレンツ系とCharney-DeVore系の切り離しで実証される。 従来のESNと比較すると、物理インフォームドESNは予測可能性の地平線を約2倍改善する。 このアプローチは、ノイズに関してロバストであることも示されている。 提案フレームワークは、カオス力学系の時間精度予測を改善するために、機械学習と事前の物理知識を組み合わせる可能性を示す。

関連論文リスト

• Physics-Informed Echo State Networks for Modeling Controllable Dynamical Systems [0.0]
  物理インフォームドESN (PI-ESN) は、外部入力のないカオス力学系をモデル化するために最初に提案された。 PI-ESNは、いくつかのデータポイントで以前にトレーニングされた外部入力でESNモデルを正規化することができ、過度な適合を低減し、一般化エラーを改善することができる。
  論文  参考訳（メタデータ） (2024-09-27T21:06:24Z)
• Physics-Informed Neural Network for Discovering Systems with Unmeasurable States with Application to Lithium-Ion Batteries [6.375364752891239]
  本稿では,損失項の少ないPINNをトレーニングするためのロバストな手法を導入し,最適化のためのより複雑なランドスケープを構築する。 各微分方程式から損失項を持つ代わりに、この方法は力学を損失関数に埋め込み、観測されたシステム出力と予測されたシステム出力の間の誤差を定量化する。 これは、既知のダイナミクスを使用してニューラルネットワーク(NN)から予測された状態を数値的に統合し、予測された出力のシーケンスを取得することで達成される。
  論文  参考訳（メタデータ） (2023-11-27T23:35:40Z)
• ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
  本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。 ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。 量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
  論文  参考訳（メタデータ） (2023-08-22T09:11:53Z)
• Tipping Point Forecasting in Non-Stationary Dynamics on Function Spaces [78.08947381962658]
  タップポイントは急激で、急激で、しばしば非定常力学系の進化における不可逆的な変化である。 我々は、関数空間間のマッピングを学習する新しいリカレントニューラル演算子(RNO)を用いて、そのような非定常系の進化を学習する。 本稿では,物理制約から逸脱をモニタリングすることで,チップ点の予測を行う共形予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-17T05:42:27Z)
• Stabilizing Machine Learning Prediction of Dynamics: Noise and Noise-inspired Regularization [58.720142291102135]
  近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。 緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。 トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
  論文  参考訳（メタデータ） (2022-11-09T23:40:52Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Physically Explainable CNN for SAR Image Classification [59.63879146724284]
  本稿では,SAR画像分類のための新しい物理誘導型ニューラルネットワークを提案する。 提案フレームワークは,(1)既存の説明可能なモデルを用いて物理誘導信号を生成すること,(2)物理誘導ネットワークを用いた物理認識特徴を学習すること,(3)従来の分類深層学習モデルに適応的に物理認識特徴を注入すること,の3つの部分からなる。 実験の結果,提案手法はデータ駆動型CNNと比較して,分類性能を大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2021-10-27T03:30:18Z)
• 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)
• Neural Dynamical Systems: Balancing Structure and Flexibility in Physical Prediction [14.788494279754481]
  各種グレーボックス設定における動的モデルの学習方法であるNeural Dynamical Systems (NDS)を紹介する。 NDSはニューラルネットワークを使用してシステムの自由パラメータを推定し、残余項を予測し、将来状態を予測するために時間とともに数値的に統合する。
  論文  参考訳（メタデータ） (2020-06-23T00:50:48Z)
• Learning ergodic averages in chaotic systems [6.85316573653194]
  本稿では,カオス的アトラクションの時間平均を予測する機械学習手法を提案する。 この手法はハイブリッドエコー状態ネットワーク(hESN)に基づく。
  論文  参考訳（メタデータ） (2020-01-09T18:12:39Z)
• Learning Hidden States in a Chaotic System: A Physics-Informed Echo State Network Approach [5.8010446129208155]
  我々は,非測定状態(隠れ状態)のカオスシステムにおける進化を再構築するために,Physical-Informed Echo State Network (PI-ESN) フレームワークを拡張した。 ノイズのないデータセットやノイズのないデータセットも考慮されている。
  論文  参考訳（メタデータ） (2020-01-06T15:04:02Z)

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。