Fugu-MT 論文翻訳(概要): AI Poincar\'e: Machine Learning Conservation Laws from Trajectories

論文の概要: AI Poincar\'e: Machine Learning Conservation Laws from Trajectories

arxiv url: http://arxiv.org/abs/2011.04698v2
Date: Mon, 26 Apr 2021 13:20:29 GMT
ステータス: 処理完了
システム内更新日: 2022-09-28 02:45:17.660258
Title: AI Poincar\'e: Machine Learning Conservation Laws from Trajectories
Title（参考訳）: AI Poincar\'e: 軌道からの機械学習保存法則
Authors: Ziming Liu (MIT), Max Tegmark (MIT)
Abstract要約: 保存量の自動発見のための機械学習アルゴリズムとして,AI Poincar'eを提案する。重力3体問題を含む5つのハミルトン系でテストする。
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: We present AI Poincar\'e, a machine learning algorithm for auto-discovering conserved quantities using trajectory data from unknown dynamical systems. We test it on five Hamiltonian systems, including the gravitational 3-body problem, and find that it discovers not only all exactly conserved quantities, but also periodic orbits, phase transitions and breakdown timescales for approximate conservation laws.
Abstract（参考訳）: 未知の力学系からの軌跡データを用いて保存量の自動発見を行う機械学習アルゴリズムであるAI Poincar\'eを提案する。重力3体問題を含む5つのハミルトニアン系でテストし、完全に保存された全ての量だけでなく、周期軌道、相転移、近似保存則の崩壊時間尺度も発見する。

関連論文リスト

Generative Design of Periodic Orbits in the Restricted Three-Body Problem [3.3810628880631226]
本研究では、変動オートエンコーダ(VAE)とその内部表現を用いて周期軌道を生成する。本研究では,Circular Restricted Three-Body Problem (CR3BP) における周期軌道の包括的データセットを用いて,重要な軌道特性を捉えるディープラーニングアーキテクチャを訓練する。
論文参考訳（メタデータ） (2024-08-07T11:13:19Z)
Generalized quantum Arimoto-Blahut algorithm and its application to quantum information bottleneck [55.22418739014892]
量子アリーモト・ブラフトアルゴリズムをRamakrishnanらにより一般化する。 3つの量子系を持つ量子情報ボトルネックに対して,我々のアルゴリズムを適用した。数値解析により,我々のアルゴリズムはアルゴリズムよりも優れていることが示された。
論文参考訳（メタデータ） (2023-11-19T00:06:11Z)
Asteroids co-orbital motion classification based on Machine Learning [0.0]
我々は、JPLホライズンズ系の実際の小惑星の自転を捉え、惑星との平均運動共鳴における4つの異なる動きについて考察する。変数テータの時系列は、その問題に対してアドホックを定義したデータ解析パイプラインを用いて研究される。我々は,アルゴリズムが時系列を高い性能で正確に識別し,分類する方法を示す。
論文参考訳（メタデータ） (2023-09-19T13:19:31Z)
Learning Energy Conserving Dynamics Efficiently with Hamiltonian Gaussian Processes [9.581740983484472]
効率的に分離されたパラメータ化を施したハミルトン系のプロセスモデルを提案する。本稿では,短軌と長軌の双方から頑健な推論が可能な省エネ射撃法を提案する。本手法がハミルトニアン系を様々なデータ・セッティングで学習することに成功したことを実証する。
論文参考訳（メタデータ） (2023-03-03T13:51:04Z)
Exact conservation laws for neural network integrators of dynamical systems [0.0]
ニューラルネットワークのアーキテクチャに自然に保存法則を組み込むためにネーターの定理を用いるアプローチを提案する。このことが,3つのモデルシステムの予測精度の向上につながることを実証する。
論文参考訳（メタデータ） (2022-09-23T15:45:05Z)
Scalable approach to many-body localization via quantum data [69.3939291118954]
多体局在は、量子多体物理学の非常に難しい現象である。計算コストの高いステップを回避できるフレキシブルニューラルネットワークベースの学習手法を提案する。我々のアプローチは、量子多体物理学の新たな洞察を提供するために、大規模な量子実験に適用することができる。
論文参考訳（メタデータ） (2022-02-17T19:00:09Z)
Rediscovering orbital mechanics with machine learning [1.2999518604217852]
私たちは、30年間の軌道データから、太陽系の太陽、惑星、そして大きな衛星のダイナミクスをシミュレートするために「グラフニューラルネットワーク」を訓練します。次に,ニューラルネットワークによって暗黙的に学習された力法則の解析式を発見するために,記号回帰を用いた。
論文参考訳（メタデータ） (2022-02-04T18:44:21Z)
Machine-Learning Non-Conservative Dynamics for New-Physics Detection [69.45430691069974]
未知の力によって支配される軌道を考えると、ニューラル・ニュー物理検出器(NNPhD)は新しい物理を検出することを目的としています。我々はNNPhDが、力場を保守的かつ非保守的成分に分解することで、新しい物理学の発見に成功したことを実証する。また,NNPhDと積分器の結合が,減衰二重振り子の将来を予測する従来の手法よりも優れていることを示す。
論文参考訳（メタデータ） (2021-05-31T18:00:10Z)
Quantum speedup for track reconstruction in particle accelerators [51.00143435208596]
我々は,各局所追跡法に存在する基本ルーチンを4つ同定し,標準追跡アルゴリズムの文脈でどのようにスケールするかを解析する。発見された量子スピードアップは穏やかだが、これは私たちの知識の中でも最高のものであり、高エネルギーの物理データ処理タスクに対する量子上の優位性の最初の厳密な証拠である。
論文参考訳（メタデータ） (2021-04-23T13:32:14Z)
Controlling nonlinear dynamical systems into arbitrary states using machine learning [77.34726150561087]
機械学習(ML)を活用した,新しい完全データ駆動制御方式を提案する。最近開発されたMLに基づく複雑なシステムの予測機能により、非線形系は任意の初期状態から来る任意の動的対象状態に留まることが証明された。必要なデータ量が少なく,柔軟性の高いコントロールスキームを備えることで,工学から医学まで幅広い応用の可能性について簡単に議論する。
論文参考訳（メタデータ） (2021-02-23T16:58:26Z)
Simplifying Hamiltonian and Lagrangian Neural Networks via Explicit Constraints [49.66841118264278]
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。
論文参考訳（メタデータ） (2020-10-26T13:35:16Z)

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。