Fugu-MT 論文翻訳(概要): Benchmarking Energy-Conserving Neural Networks for Learning Dynamics from Data

論文の概要: Benchmarking Energy-Conserving Neural Networks for Learning Dynamics from Data

arxiv url: http://arxiv.org/abs/2012.02334v6
Date: Fri, 28 Apr 2023 21:26:45 GMT
ステータス: 処理完了
システム内更新日: 2023-05-02 22:09:22.500197
Title: Benchmarking Energy-Conserving Neural Networks for Learning Dynamics from Data
Title（参考訳）: データからのダイナミクス学習のためのエネルギー保存ニューラルネットワークのベンチマーク
Authors: Yaofeng Desmond Zhong, Biswadip Dey, Amit Chakraborty
Abstract要約: HNN, LNN, DeLaN, SymODEN, CHNN, CLNNなど,最近提案した10種類のエネルギー保存型ニューラルネットワークモデルを調査した。我々は、これらのエネルギー保存モデルのいくつかをエネルギーベースコントローラの設計に活用する可能性について指摘している。
参考スコア（独自算出の注目度）: 9.811643357656196
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The last few years have witnessed an increased interest in incorporating physics-informed inductive bias in deep learning frameworks. In particular, a growing volume of literature has been exploring ways to enforce energy conservation while using neural networks for learning dynamics from observed time-series data. In this work, we survey ten recently proposed energy-conserving neural network models, including HNN, LNN, DeLaN, SymODEN, CHNN, CLNN and their variants. We provide a compact derivation of the theory behind these models and explain their similarities and differences. Their performance are compared in 4 physical systems. We point out the possibility of leveraging some of these energy-conserving models to design energy-based controllers.
Abstract（参考訳）: ここ数年、深層学習フレームワークに物理学に基づく帰納的バイアスを導入することへの関心が高まっている。特に、観測された時系列データからダイナミクスを学習するためにニューラルネットワークを使用しながら、エネルギー保存を強制する方法を模索する文献が増えている。本研究では,HNN,LNN,DeLaN,SymanODEN,CHNN,CLNNなど10種類のエネルギー保存型ニューラルネットワークモデルについて検討した。これらのモデルの背後にある理論をコンパクトに導出し、それらの類似性と相違を説明する。性能は4つの物理系で比較される。エネルギーベースコントローラの設計にこれらのエネルギー保存モデルを活用する可能性について指摘する。

関連論文リスト

Deep State Space Recurrent Neural Networks for Time Series Forecasting [0.0]
本稿では,固有状態空間モデルの原理とリカレントニューラルネットワーク(RNN)の動的機能とを融合した新しいニューラルネットワークフレームワークを提案する。結果によると、Kolmogorov-Arnold Networks(KAN)とLSTMにインスパイアされたTKANは、有望な結果を示している。
論文参考訳（メタデータ） (2024-07-21T17:59:27Z)
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)
Neural Operators Meet Energy-based Theory: Operator Learning for Hamiltonian and Dissipative PDEs [35.70739067374375]
本稿では、偏微分方程式の解演算子を学習するためのエネルギー一貫性ニューラル演算子(ENO)を提案する。 ENOは、観測された溶液軌道からのエネルギー保存または散逸法に従う。そこで我々は,エネルギー関数を他のDNNによってモデル化した,エネルギーに基づく物理理論に触発された新しいペナルティ関数を導入する。
論文参考訳（メタデータ） (2024-02-14T08:50:14Z)
How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文参考訳（メタデータ） (2023-06-04T08:53:27Z)
ConCerNet: A Contrastive Learning Based Framework for Automated Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
論文参考訳（メタデータ） (2023-02-11T21:07:30Z)
Unravelling the Performance of Physics-informed Graph Neural Networks for Dynamical Systems [5.787429262238507]
グラフニューラルネットワーク(GNN)とその変種の性能を、明示的な制約と異なるアーキテクチャで評価する。本研究は, 明示的制約や運動エネルギーとポテンシャルエネルギーの疎結合などの付加的な誘導バイアスを有するGNNが, 性能を著しく向上することを示した。全ての物理インフォームドGNNは、訓練システムよりも桁違いの大きさのシステムサイズに対してゼロショットの一般化性を示し、大規模な現実的なシステムをシミュレートする有望な経路を提供する。
論文参考訳（メタデータ） (2022-11-10T12:29:30Z)
Learning Trajectories of Hamiltonian Systems with Neural Networks [81.38804205212425]
本稿では,モデル系の連続時間軌跡を推定し,ハミルトニアンニューラルネットワークを強化することを提案する。提案手法は, 低サンプリング率, ノイズ, 不規則な観測において, HNNに対して有効であることを示す。
論文参考訳（メタデータ） (2022-04-11T13:25:45Z)
Learning Neural Hamiltonian Dynamics: A Methodological Overview [109.40968389896639]
Hamiltonian dynamicsは、ニューラルネットワークに正確な長期予測、解釈可能性、データ効率の学習を与える。我々は最近提案したハミルトンニューラルネットワークモデルについて、特に方法論に焦点を当てて体系的に調査した。
論文参考訳（メタデータ） (2022-02-28T22:54:39Z)
EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文参考訳（メタデータ） (2022-02-21T18:59:03Z)
On Energy-Based Models with Overparametrized Shallow Neural Networks [44.74000986284978]
エネルギーベースモデル(EBM)は、ジェネレーションモデリングの強力なフレームワークです。この研究では、浅いニューラルネットワークに焦点を当てます。我々は、いわゆる「アクティブ」体制で訓練されたモデルが、関連する「怠慢」またはカーネル体制に対して統計的に有利であることを示す。
論文参考訳（メタデータ） (2021-04-15T15:34:58Z)
Thermodynamics-based Artificial Neural Networks for constitutive modeling [0.0]
本稿では,物質点レベルでのひずみ速度独立過程のモデリングのための,データ駆動型物理ベースニューラルネットワークの新たなクラスを提案する。熱力学の2つの基本原理は、自動微分を利用してネットワークのアーキテクチャに符号化される。本研究では, 伸縮硬化および軟化ひずみを有するエラスト塑性材料をモデル化するためのTANNの広範囲な適用性を示す。
論文参考訳（メタデータ） (2020-05-25T15:56:34Z)

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。