論文の概要: Automatic-differentiated Physics-Informed Echo State Network (API-ESN)
- arxiv url: http://arxiv.org/abs/2101.00002v2
- Date: Wed, 24 Mar 2021 16:33:42 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-19 10:54:24.810190
- Title: Automatic-differentiated Physics-Informed Echo State Network (API-ESN)
- Title（参考訳）: 自動微分物理学インフォームドエコー状態ネットワーク(API-ESN)
- Authors: Alberto Racca and Luca Magri
- Abstract要約: API-ESN(Automatic-differentiated Physics-Informed Echo State Network)の提案
ネットワークは、自動微分によって計算される貯水池の正確な時間導出を通じて物理方程式によって制約される。
API-ESNは、時間微分の計算において、既存の物理インフォームドエコー状態ネットワークに存在するエラーの源を除去する。
- 参考スコア（独自算出の注目度）: 6.345523830122166
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose the Automatic-differentiated Physics-Informed Echo State Network
(API-ESN). The network is constrained by the physical equations through the
reservoir's exact time-derivative, which is computed by automatic
differentiation. As compared to the original Physics-Informed Echo State
Network, the accuracy of the time-derivative is increased by up to seven orders
of magnitude. This increased accuracy is key in chaotic dynamical systems,
where errors grows exponentially in time. The network is showcased in the
reconstruction of unmeasured (hidden) states of a chaotic system. The API-ESN
eliminates a source of error, which is present in existing physics-informed
echo state networks, in the computation of the time-derivative. This opens up
new possibilities for an accurate reconstruction of chaotic dynamical states.
- Abstract（参考訳）: 本稿では,自動微分物理学変換エコー状態ネットワーク(API-ESN)を提案する。
ネットワークは、貯水池の正確な時間導出を通じて物理方程式によって制約され、自動微分によって計算される。
オリジナルの物理式エコー状態ネットワークと比較して、時間導出の精度は最大7桁増加する。
この精度の向上はカオス力学システムにおいて重要であり、誤差が指数関数的に増加する。
このネットワークは、カオスシステムの未測定(隠された)状態の再構築で展示される。
API-ESNは、時間微分の計算において、既存の物理インフォームドエコー状態ネットワークに存在するエラーの源を除去する。
これはカオス力学状態を正確に再構築する新しい可能性を開く。
関連論文リスト
- Thermodynamics-informed super-resolution of scarce temporal dynamics data [4.893345190925178]
本稿では,物理系の測定値の分解能を高め,その時間進化を予測する手法を提案する。
本手法では, 逆自己エンコーダを用いて全順序モデルの次元性を, 先行値に適合するように強制される潜在変数の集合に還元する。
第2のニューラルネットワークは、潜伏変数の物理的構造を学び、その時間的進化を予測するために訓練される。
論文 参考訳（メタデータ） (2024-02-27T13:46:45Z) - Physics-Encoded Graph Neural Networks for Deformation Prediction under
Contact [87.69278096528156]
ロボット工学では、触覚相互作用における物体の変形を理解することが不可欠である。
本稿では,物理符号化グラフニューラルネットワーク(GNN)を用いた予測手法を提案する。
コードとデータセットを公開して、ロボットシミュレーションと把握の研究を進めました。
論文 参考訳（メタデータ） (2024-02-05T19:21:52Z) - Physics-Informed Long Short-Term Memory for Forecasting and
Reconstruction of Chaos [5.8010446129208155]
カオスシステムにおける未測定変数の進化を再現し,予測するために,物理インフォームド・ロング短期記憶(PI-LSTM)ネットワークを提案する。
トレーニングは規則化項によって制約され、システムの支配方程式に反する解を罰する。
この研究は、非線形システムの状態再構成と力学の学習の新しい機会を開く。
論文 参考訳（メタデータ） (2023-02-03T18:27:59Z) - Physics Informed RNN-DCT Networks for Time-Dependent Partial
Differential Equations [62.81701992551728]
時間依存偏微分方程式を解くための物理インフォームド・フレームワークを提案する。
我々のモデルは離散コサイン変換を用いて空間的および反復的なニューラルネットワークを符号化する。
ナヴィエ・ストークス方程式に対するテイラー・グリーン渦解の実験結果を示す。
論文 参考訳（メタデータ） (2022-02-24T20:46:52Z) - The Limiting Dynamics of SGD: Modified Loss, Phase Space Oscillations,
and Anomalous Diffusion [29.489737359897312]
勾配降下法(SGD)を訓練した深部ニューラルネットワークの限界ダイナミクスについて検討する。
これらのダイナミクスを駆動する重要な要素は、本来のトレーニング損失ではなく、位相空間の振動を引き起こす速度と確率電流を暗黙的に規則化する修正損失の組み合わせであることを示す。
論文 参考訳（メタデータ） (2021-07-19T20:18:57Z) - Time-Reversal Symmetric ODE Network [138.02741983098454]
時間反転対称性は古典力学や量子力学においてしばしば保持される基本的な性質である。
本稿では,通常の微分方程式(ODE)ネットワークがこの時間反転対称性にどの程度よく適合しているかを測定する新しい損失関数を提案する。
時間反転対称性を完全に持たないシステムであっても, TRS-ODEN はベースラインよりも優れた予測性能が得られることを示す。
論文 参考訳（メタデータ） (2020-07-22T12:19:40Z) - Combining Differentiable PDE Solvers and Graph Neural Networks for Fluid
Flow Prediction [79.81193813215872]
我々は,従来のグラフ畳み込みネットワークと,ネットワーク内部に組込み可能な流体力学シミュレータを組み合わせたハイブリッド(グラフ)ニューラルネットワークを開発した。
ニューラルネットワークのCFD予測の大幅な高速化により,新たな状況に十分対応できることが示される。
論文 参考訳（メタデータ） (2020-07-08T21:23:19Z) - Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。
暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。
これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文 参考訳（メタデータ） (2020-06-08T09:53:35Z) - Time Dependence in Non-Autonomous Neural ODEs [74.78386661760662]
時変重みを持つニューラルODEの新しいファミリーを提案する。
我々は、速度と表現能力の両面で、従来のニューラルODEの変形よりも優れていた。
論文 参考訳（メタデータ） (2020-05-05T01:41:46Z) - 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)
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。