論文の概要: Learning Poisson systems and trajectories of autonomous systems via
Poisson neural networks
- arxiv url: http://arxiv.org/abs/2012.03133v1
- Date: Sat, 5 Dec 2020 22:18:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-22 12:02:52.532912
- Title: Learning Poisson systems and trajectories of autonomous systems via
Poisson neural networks
- Title(参考訳): ポアソンニューラルネットワークによる自律システムのポアソン系と軌道の学習
- Authors: Pengzhan Jin, Zhen Zhang, Ioannis G. Kevrekidis and George Em
Karniadakis
- Abstract要約: データからポアソンシステムと自律システムの軌跡を学習するために,ポアソンニューラルネットワーク(PNN)を提案する。
ダルブックス=リーの定理に基づき、ポアソン系の位相フローは(1)座標変換、(2)拡張シンプレクティック写像、(3)変換の逆の合成として記述することができる。
- 参考スコア(独自算出の注目度): 3.225972620435058
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose the Poisson neural networks (PNNs) to learn Poisson systems and
trajectories of autonomous systems from data. Based on the Darboux-Lie theorem,
the phase flow of a Poisson system can be written as the composition of (1) a
coordinate transformation, (2) an extended symplectic map and (3) the inverse
of the transformation. In this work, we extend this result to the unknotted
trajectories of autonomous systems. We employ structured neural networks with
physical priors to approximate the three aforementioned maps. We demonstrate
through several simulations that PNNs are capable of handling very accurately
several challenging tasks, including the motion of a particle in the
electromagnetic potential, the nonlinear Schr{\"o}dinger equation, and pixel
observations of the two-body problem.
- Abstract(参考訳): データからポアソンシステムと自律システムの軌跡を学習するために,ポアソンニューラルネットワーク(PNN)を提案する。
ダルブックス=リーの定理に基づき、ポアソン系の位相フローは(1)座標変換、(2)拡張シンプレクティック写像、(3)変換の逆の合成として記述することができる。
本研究では、この結果を自律システムの無注軌跡にまで拡張する。
我々は、前述の3つのマップを近似するために、物理的に先行した構造化ニューラルネットワークを用いる。
我々は,pnnが電磁ポテンシャル中の粒子の動きや非線形schr{\"o}dinger方程式,二体問題のピクセル観測など,いくつかの課題を非常に正確に処理できることをシミュレーションにより実証する。
関連論文リスト
- Lie-Poisson Neural Networks (LPNets): Data-Based Computing of
Hamiltonian Systems with Symmetries [0.0]
ハミルトンシステムの長期的進化の正確なデータベースの予測には、各時間ステップで適切な構造を保持するネットワークが必要である。
本稿では, ニューラルネットワーク(LPNet)を用いてデータから変換のパラメータを計算し, ビルディングブロック(G-LPNet)として変換の合成を行う。
結果として得られた手法は,物理システムの長期的ダイナミクスをシミュレーションする正確なデータベースの手法を構築する上で重要である。
論文 参考訳(メタデータ) (2023-08-29T14:45:23Z) - Pseudo-Hamiltonian neural networks for learning partial differential
equations [0.0]
Pseudo-Hamiltonian Neural Network (PHNN)は、最近、通常の微分方程式でモデル化できる力学系を学ぶために導入された。
本稿では,この手法を偏微分方程式に拡張する。
得られたモデルは、保存、散逸、外部力を表す用語をモデル化する最大3つのニューラルネットワークと、学習または入力として与えられる個別の畳み込み演算子から構成される。
論文 参考訳(メタデータ) (2023-04-27T17:46:00Z) - Contrastive-Signal-Dependent Plasticity: Forward-Forward Learning of
Spiking Neural Systems [73.18020682258606]
我々は、ニューロンの個々の層が並列に機能する、スパイキングニューロンユニットからなる神経模倣アーキテクチャを開発する。
コントラスト信号依存塑性(CSDP)と呼ばれるイベントベース前方学習の一般化を提案する。
いくつかのパターンデータセットに対する実験結果から,CSDPプロセスは分類と再構成の両方が可能な動的再帰スパイクネットワークのトレーニングに有効であることが示された。
論文 参考訳(メタデータ) (2023-03-30T02:40:28Z) - Deep learning of spatial densities in inhomogeneous correlated quantum
systems [0.0]
ランダムポテンシャルに基づいてトレーニングされた畳み込みニューラルネットワークを用いて,密度の予測が可能であることを示す。
我々は,不均一な状況下での干渉と相互作用の相互作用と相転移を伴うモデルの挙動をうまく扱えることを示す。
論文 参考訳(メタデータ) (2022-11-16T17:10:07Z) - Transfer Learning with Physics-Informed Neural Networks for Efficient
Simulation of Branched Flows [1.1470070927586016]
物理インフォームドニューラルネットワーク(PINN)は微分方程式を解くための有望なアプローチを提供する。
PINNに対して最近開発されたトランスファー学習アプローチを採用し,マルチヘッドモデルを提案する。
提案手法は,スクラッチからトレーニングした標準PINNと比較して,計算速度が大幅に向上することを示す。
論文 参考訳(メタデータ) (2022-11-01T01:50:00Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳(メタデータ) (2022-02-01T17:11:13Z) - A Predictive Coding Account for Chaotic Itinerancy [68.8204255655161]
予測符号化を実装したリカレントニューラルネットワークが,入力雑音の存在下でカオス的反復性に類似したニューラルトラジェクトリを生成する方法を示す。
本モデルを用いて,無作為かつ非依存なトラジェクタスイッチングトラジェクトリを生成する2つのシナリオを提案する。
論文 参考訳(メタデータ) (2021-06-16T16:48:14Z) - Conditional physics informed neural networks [85.48030573849712]
固有値問題のクラス解を推定するための条件付きPINN(物理情報ニューラルネットワーク)を紹介します。
一つのディープニューラルネットワークが、問題全体に対する偏微分方程式の解を学習できることが示される。
論文 参考訳(メタデータ) (2021-04-06T18:29:14Z) - Artificial neural network as a universal model of nonlinear dynamical
systems [0.0]
このマップは、重みがモデル化されたシステムをエンコードする人工知能ニューラルネットワークとして構築されている。
ローレンツ系、ロースラー系およびヒンドマール・ロースニューロンを考察する。
誘引子、パワースペクトル、分岐図、リャプノフ指数の視覚像に高い類似性が観察される。
論文 参考訳(メタデータ) (2021-03-06T16:02:41Z) - Linear embedding of nonlinear dynamical systems and prospects for
efficient quantum algorithms [74.17312533172291]
有限非線形力学系を無限線型力学系(埋め込み)にマッピングする方法を述べる。
次に、有限線型系 (truncation) による結果の無限線型系を近似するアプローチを検討する。
論文 参考訳(メタデータ) (2020-12-12T00:01:10Z) - 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。