論文の概要: A Bayesian neural network predicts the dissolution of compact planetary
systems
- arxiv url: http://arxiv.org/abs/2101.04117v1
- Date: Mon, 11 Jan 2021 19:00:00 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-04 14:50:54.784510
- Title: A Bayesian neural network predicts the dissolution of compact planetary
systems
- Title（参考訳）: ベイズ型ニューラルネットワークは、コンパクトな惑星系の溶解を予測する
- Authors: Miles Cranmer, Daniel Tamayo, Hanno Rein, Peter Battaglia, Samuel
Hadden, Philip J. Armitage, Shirley Ho, David N. Spergel
- Abstract要約: 我々は,この問題をコンパクトシステムで推進するために,ディープラーニングアーキテクチャを導入する。
私達のモデルは分析の推定器より不安定な時間を予測で2桁以上正確です。
私たちの推論モデルは、トレーニングコードをオープンソース化したspockパッケージで公開されています。
- 参考スコア（独自算出の注目度）: 2.261581864118072
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Despite over three hundred years of effort, no solutions exist for predicting
when a general planetary configuration will become unstable. We introduce a
deep learning architecture to push forward this problem for compact systems.
While current machine learning algorithms in this area rely on
scientist-derived instability metrics, our new technique learns its own metrics
from scratch, enabled by a novel internal structure inspired from dynamics
theory. Our Bayesian neural network model can accurately predict not only if,
but also when a compact planetary system with three or more planets will go
unstable. Our model, trained directly from short N-body time series of raw
orbital elements, is more than two orders of magnitude more accurate at
predicting instability times than analytical estimators, while also reducing
the bias of existing machine learning algorithms by nearly a factor of three.
Despite being trained on compact resonant and near-resonant three-planet
configurations, the model demonstrates robust generalization to both
non-resonant and higher multiplicity configurations, in the latter case
outperforming models fit to that specific set of integrations. The model
computes instability estimates up to five orders of magnitude faster than a
numerical integrator, and unlike previous efforts provides confidence intervals
on its predictions. Our inference model is publicly available in the SPOCK
package, with training code open-sourced.
- Abstract（参考訳）: 300年以上の努力にもかかわらず、一般的な惑星構成が不安定になると予測するための解決策は存在しない。
我々は,この問題をコンパクトシステムで推進するために,ディープラーニングアーキテクチャを導入する。
この領域における現在の機械学習アルゴリズムは、科学者による不安定なメトリクスに依存しているが、この新しいテクニックは、ダイナミクス理論に触発された新しい内部構造によって、スクラッチから独自のメトリクスを学習する。
私たちのベイズ型ニューラルネットワークモデルは、ifだけでなく、3つ以上の惑星が不安定になるコンパクトな惑星系も正確に予測できます。
実軌道要素の短いN-体時系列から直接訓練したモデルでは,解析的推定値よりも不安定時間の予測が2桁以上正確であると同時に,既存の機械学習アルゴリズムのバイアスを3倍近く低減する。
コンパクト共振および近共振三平面構成で訓練されているにもかかわらず、このモデルは非共振およびより高い多重性構成の両方に堅牢な一般化を示す。
このモデルは、数値積分器よりも最大5桁高速な不安定性推定を計算し、以前の試みとは異なり、予測に対する信頼区間を提供する。
私たちの推論モデルは、トレーニングコードをオープンソース化したspockパッケージで公開されています。
関連論文リスト
- OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。
OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。
最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
論文 参考訳（メタデータ） (2024-09-14T07:44:22Z) - On the importance of learning non-local dynamics for stable data-driven climate modeling: A 1D gravity wave-QBO testbed [0.0]
機械学習(ML)技術は、気候モデルのためのサブグリッドスケールパラメータ化の学習において有望であることを示している。
しかし、データ駆動パラメータ化の大きな問題はモデル不安定性である。
ここでは、ML理論と気候物理を組み合わせて、NNベースのパラメータ化における不安定性の源となる問題に対処する。
論文 参考訳（メタデータ） (2024-07-07T01:15:52Z) - Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。
我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。
本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
論文 参考訳（メタデータ） (2024-05-22T17:23:15Z) - Cheap and Deterministic Inference for Deep State-Space Models of
Interacting Dynamical Systems [38.23826389188657]
本稿では,基礎となる相互作用力学系をモデル化するために,グラフニューラルネットワークを用いた深部状態空間モデルを提案する。
予測分布はマルチモーダルであり、ガウス混合モデルの形をしており、ガウス成分のモーメントは決定論的モーメントマッチングルールによって計算できる。
我々のモーメントマッチングスキームはサンプルのない推論に利用でき、モンテカルロの代替案と比較してより効率的で安定した訓練がもたらされる。
論文 参考訳（メタデータ） (2023-05-02T20:30:23Z) - Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。
ニューラル微分方程式モデルに基づく新しい手法を提案する。
我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
論文 参考訳（メタデータ） (2022-07-21T12:11:18Z) - Predicting the Stability of Hierarchical Triple Systems with
Convolutional Neural Networks [68.8204255655161]
本稿では,階層型三重項の安定性を予測する畳み込みニューラルネットワークモデルを提案する。
すべてのトレーニングされたモデルは公開されており、純粋な$N$-bodyメソッドよりも200ドルの速さで階層的な3重システムの安定性を予測することができる。
論文 参考訳（メタデータ） (2022-06-24T17:58:13Z) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳（メタデータ） (2021-12-15T20:09:20Z) - LCS: Learning Compressible Subspaces for Adaptive Network Compression at
Inference Time [57.52251547365967]
本稿では,ニューラルネットワークの「圧縮可能な部分空間」を訓練する手法を提案する。
構造的・非構造的空間に対する推定時間における微粒な精度・効率のトレードオフを任意に達成するための結果を示す。
我々のアルゴリズムは、可変ビット幅での量子化にまで拡張し、個別に訓練されたネットワークと同等の精度を実現する。
論文 参考訳（メタデータ） (2021-10-08T17:03:34Z) - Model-free prediction of emergence of extreme events in a parametrically
driven nonlinear dynamical system by Deep Learning [0.0]
パラメトリック駆動非線形力学系における極端な事象の発生を予測する。
我々は3つのディープラーニングモデル、すなわちMulti-Layer Perceptron、Convolutional Neural Network、Long Short-Term Memoryを使用する。
長短期記憶モデルがカオス時系列の予測に最適であることがわかった。
論文 参考訳（メタデータ） (2021-07-14T14:48:57Z) - Symplectic Neural Networks in Taylor Series Form for Hamiltonian Systems [15.523425139375226]
我々は,Symphlectic Taylor Neural Networks (Taylor-nets) という,効率的かつ軽量な学習アルゴリズムを提案する。
スパース・短期観測に基づく複素ハミルトン力学系の連続的長期予測を行う。
我々は、振り子、ロトカ-ボルテラ、ケプラー、ヘノン-ハイレス系を含むハミルトン力学系の幅広いスペクトルを予測する上で、テイラー-ネットの有効性を実証する。
論文 参考訳（メタデータ） (2020-05-11T10:32:29Z)
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。