論文の概要: Using machine-learning modelling to understand macroscopic dynamics in a
system of coupled maps
- arxiv url: http://arxiv.org/abs/2011.05803v1
- Date: Sun, 8 Nov 2020 15:38:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-28 08:53:24.065282
- Title: Using machine-learning modelling to understand macroscopic dynamics in a
system of coupled maps
- Title（参考訳）: 機械学習モデルを用いた結合写像系におけるマクロ力学の理解
- Authors: Francesco Borra, Marco Baldovin
- Abstract要約: 本稿では,グローバルに結合した地図システムから生じるマクロな動きについて考察する。
我々は、機械学習アプローチと粗粒度プロセスの遷移確率の直接数値計算の両方を用いて、マクロ力学のための粗粒度マルコフプロセスを構築した。
我々は,アトラクタの有効次元,メモリ効果の持続性,ダイナミクスのマルチスケール構造について重要な情報を推測することができる。
- 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: Machine learning techniques not only offer efficient tools for modelling
dynamical systems from data, but can also be employed as frontline
investigative instruments for the underlying physics. Nontrivial information
about the original dynamics, which would otherwise require sophisticated ad-hoc
techniques, can be obtained by a careful usage of such methods. To illustrate
this point, we consider as a case study the macroscopic motion emerging from a
system of globally coupled maps. We build a coarse-grained Markov process for
the macroscopic dynamics both with a machine learning approach and with a
direct numerical computation of the transition probability of the
coarse-grained process, and we compare the outcomes of the two analyses. Our
purpose is twofold: on the one hand, we want to test the ability of the
stochastic machine learning approach to describe nontrivial evolution laws, as
the one considered in our study; on the other hand, we aim at gaining some
insight into the physics of the macroscopic dynamics by modulating the
information available to the network, we are able to infer important
information about the effective dimension of the attractor, the persistence of
memory effects and the multi-scale structure of the dynamics.
- Abstract（参考訳）: 機械学習技術は、データから力学系をモデリングするための効率的なツールを提供するだけでなく、基礎となる物理学の最前線の調査機器としても利用できる。
より高度なアドホック技術を必要とする原動力学に関する非自明な情報は、そのような手法を慎重に利用することで得られる。
この点を説明するために,グローバルに結合した地図システムから生じるマクロな動きを事例として考察する。
本研究では,機械学習手法と粗粒化プロセスの遷移確率の直接数値計算を用いて,マクロ力学のための粗粒化マルコフ過程を構築し,この2つの解析結果の比較を行った。
Our purpose is twofold: on the one hand, we want to test the ability of the stochastic machine learning approach to describe nontrivial evolution laws, as the one considered in our study; on the other hand, we aim at gaining some insight into the physics of the macroscopic dynamics by modulating the information available to the network, we are able to infer important information about the effective dimension of the attractor, the persistence of memory effects and the multi-scale structure of the dynamics.
関連論文リスト
- Learning Low-Dimensional Strain Models of Soft Robots by Looking at the Evolution of Their Shape with Application to Model-Based Control [2.058941610795796]
本稿では,低次元物理モデル学習のための合理化手法を提案する。
各種平面ソフトマニピュレータを用いたシミュレーションにより,本手法の有効性を検証した。
物理的に互換性のあるモデルを生成する方法のおかげで、学習したモデルはモデルベースの制御ポリシーと簡単に組み合わせることができる。
論文 参考訳（メタデータ） (2024-10-31T18:37:22Z) - Graph Neural Ordinary Differential Equations for Coarse-Grained Socioeconomic Dynamics [0.0]
時空間社会経済力学をモデル化するためのデータ駆動型機械学習手法を提案する。
我々の研究結果は、ボルチモアのケーススタディから、この機械学習で強化された粗い粒度モデルが強力な機器であることを示している。
論文 参考訳（メタデータ） (2024-07-25T15:12:46Z) - Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。
新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。
我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
論文 参考訳（メタデータ） (2024-02-20T15:23:24Z) - Data Compression and Inference in Cosmology with Self-Supervised Machine
Learning [0.86325068644655]
本稿では,機械学習のパラダイムを新たな方法で活用して,大規模データセットの代表要約を構築する手法を提案する。
本手法を流体力学宇宙学シミュレーションに展開することにより,高度に情報的な要約を実現できることを示す。
その結果、自己教師型機械学習技術は、宇宙データの圧縮と解析に有望な新しいアプローチを提供することが示された。
論文 参考訳（メタデータ） (2023-08-18T18:00:22Z) - Dynamic Latent Separation for Deep Learning [67.62190501599176]
機械学習の中核的な問題は、複雑なデータに対するモデル予測のための表現力のある潜在変数を学習することである。
本稿では,表現性を向上し,部分的解釈を提供し,特定のアプリケーションに限定されないアプローチを開発する。
論文 参考訳（メタデータ） (2022-10-07T17:56:53Z) - Gradient-Based Trajectory Optimization With Learned Dynamics [80.41791191022139]
データからシステムの微分可能なダイナミクスモデルを学習するために、機械学習技術を使用します。
ニューラルネットワークは、大規模な時間的地平線に対して、非常に非線形な振る舞いを正確にモデル化できることが示される。
ハードウェア実験において、学習したモデルがSpotとRadio- controlled (RC)の両方の複雑な力学を表現できることを実証した。
論文 参考訳（メタデータ） (2022-04-09T22:07:34Z) - Symplectic Momentum Neural Networks -- Using Discrete Variational
Mechanics as a prior in Deep Learning [7.090165638014331]
本稿では,Sypic Momentum Networks (SyMo) を,非分離機械系のメカニクスの離散的な定式化のモデルとして紹介する。
このような組み合わせによって、これらのモデルが限られたデータから得られるだけでなく、シンプレクティックなフォームを保存し、より長期的な振る舞いを示す能力も提供できることが示される。
論文 参考訳（メタデータ） (2022-01-20T16:33:19Z) - 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) - Measuring and modeling the motor system with machine learning [117.44028458220427]
モーターシステムの理解における機械学習の有用性は、データの収集、測定、分析の方法に革命をもたらすことを約束している。
本稿では, ポーズ推定, 運動解析, 次元減少, 閉ループフィードバックから, ニューラル相関の理解, 機能停止まで, 機械学習の利用の増大について論じる。
論文 参考訳（メタデータ） (2021-03-22T12:42:16Z) - A Trainable Optimal Transport Embedding for Feature Aggregation and its
Relationship to Attention [96.77554122595578]
固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。
我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
論文 参考訳（メタデータ） (2020-06-22T08:35:58Z) - Deep learning of contagion dynamics on complex networks [0.0]
本稿では,ネットワーク上での感染動態の効果的なモデルを構築するために,ディープラーニングに基づく補完的アプローチを提案する。
任意のネットワーク構造をシミュレーションすることで,学習したダイナミックスの性質を学習データを超えて探索することが可能になる。
この結果は,ネットワーク上での感染動態の効果的なモデルを構築するために,ディープラーニングが新たな補完的な視点を提供することを示す。
論文 参考訳（メタデータ） (2020-06-09T17:18:34Z)
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。