論文の概要: Symplectic Gaussian Process Dynamics

• arxiv url: http://arxiv.org/abs/2102.01606v1
• Date: Tue, 2 Feb 2021 17:02:55 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-04 10:14:35.059403
• Title: Symplectic Gaussian Process Dynamics
• Title（参考訳）: シンプレクティックガウス過程ダイナミクス
• Authors: Katharina Ensinger, Friedrich Solowjow, Michael Tiemann, Sebastian Trimpe
• Abstract要約: 暗黙的なシングルまたはマルチステップインテグレータで基盤システムを識別できるスパースプロセスに基づく変分推論方式を提案する。 特に、シンプレクティック生成体積保存予測と結合したハミルトン問題について議論する。
• 参考スコア（独自算出の注目度）: 5.171909600633905
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dynamics model learning is challenging and at the same time an active field of research. Due to potential safety critical downstream applications, such as control tasks, there is a need for theoretical guarantees. While GPs induce rich theoretical guarantees as function approximators in space, they do not explicitly cope with the time aspect of dynamical systems. However, propagating system properties through time is exactly what classical numerical integrators were designed for. We introduce a recurrent sparse Gaussian process based variational inference scheme that is able to discretize the underlying system with any explicit or implicit single or multistep integrator, thus leveraging properties of numerical integrators. In particular we discuss Hamiltonian problems coupled with symplectic integrators producing volume preserving predictions.
• Abstract（参考訳）: ダイナミクスモデル学習は困難であり、同時に研究の活発な分野でもある。 潜在的安全性のため、制御タスクのような下流アプリケーションでは、理論的保証が必要である。 GPは空間上の関数近似子として豊富な理論的保証を誘導するが、力学系の時間的側面には明示的に対応しない。 しかし、時間によるシステム特性の伝播は、まさに古典的な数値積分器が設計したものです。 本稿では,任意の明示的あるいは暗黙的な単段積分器や多段積分器で基底系を識別し,数値積分器の特性を活用できる,スパースガウス過程に基づく変分推論手法を提案する。 特に、ハミルトン問題とシンプレクティック積分器は、体積保存予測を生成する。

関連論文リスト

• Learning Controlled Stochastic Differential Equations [61.82896036131116]
  本研究では,非一様拡散を伴う連続多次元非線形微分方程式のドリフト係数と拡散係数の両方を推定する新しい手法を提案する。 我々は、(L2)、(Linfty)の有限サンプル境界や、係数の正則性に適応する学習率を持つリスクメトリクスを含む、強力な理論的保証を提供する。 当社のメソッドはオープンソースPythonライブラリとして利用可能です。
  論文  参考訳（メタデータ） (2024-11-04T11:09:58Z)
• Hamiltonian Matching for Symplectic Neural Integrators [9.786274281068815]
  ハミルトンの運動方程式は、天文学、量子力学、粒子物理学、気候科学など、物理学の様々な分野における基本的な枠組みを形成している。古典的な数値解法は通常、これらの系の時間発展を計算するために用いられる。 パラメトリック時間依存ハミルトニアン関数の正確なフローマップの列を構成するニューラルネットワークに基づく新しいシンプレクティックインテグレータであるSympFlowを提案する。
  論文  参考訳（メタデータ） (2024-10-23T20:21:56Z)
• Learning Generalized Hamiltonians using fully Symplectic Mappings [0.32985979395737786]
  ハミルトン系は、保守的であり、すなわちエネルギーは進化を通して保存されるという重要な性質を持っている。 特にハミルトニアンニューラルネットワークは、構造的帰納バイアスをNNモデルに組み込むメカニズムとして登場した。 共振器のスキームはノイズに対して頑健であり,ノイズ観測から状態変数がサンプリングされた場合のハミルトニアン系の近似が良好であることを示す。
  論文  参考訳（メタデータ） (2024-09-17T12:45:49Z)
• Exact Inference for Continuous-Time Gaussian Process Dynamics [6.941863788146731]
  実際には、真のシステムはよく知られておらず、測定データから学ぶ必要がある。 ガウス過程(GP)力学モデル学習におけるほとんどの手法は、一段階先進予測に基づいて訓練されている。 このような評価に対して,フレキシブルな推論スキームを導出する方法を示す。
  論文  参考訳（メタデータ） (2023-09-05T16:07:00Z)
• Decimation technique for open quantum systems: a case study with driven-dissipative bosonic chains [62.997667081978825]
  量子系の外部自由度への不可避結合は、散逸(非単体)ダイナミクスをもたらす。 本稿では,グリーン関数の(散逸的な)格子計算に基づいて,これらのシステムに対処する手法を提案する。 本手法のパワーを,複雑性を増大させる駆動散逸型ボゾン鎖のいくつかの例で説明する。
  論文  参考訳（メタデータ） (2022-02-15T19:00:09Z)
• Structure-Preserving Learning Using Gaussian Processes and Variational Integrators [62.31425348954686]
  本稿では,機械系の古典力学に対する変分積分器と,ガウス過程の回帰による残留力学の学習の組み合わせを提案する。 我々は、既知のキネマティック制約を持つシステムへのアプローチを拡張し、予測の不確実性に関する公式な境界を提供する。
  論文  参考訳（メタデータ） (2021-12-10T11:09:29Z)
• Optimization on manifolds: A symplectic approach [127.54402681305629]
  本稿では、最適化問題を解くための一般的な枠組みとして、ディラックの制約付きハミルトン系理論の散逸拡張を提案する。 我々の(加速された)アルゴリズムのクラスは単純で効率的なだけでなく、幅広い文脈にも適用できる。
  論文  参考訳（メタデータ） (2021-07-23T13:43:34Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)
• On dissipative symplectic integration with applications to gradient-based optimization [77.34726150561087]
  本稿では,離散化を体系的に実現する幾何学的枠組みを提案する。 我々は、シンプレクティックな非保守的、特に散逸的なハミルトン系への一般化が、制御された誤差まで収束率を維持することができることを示す。
  論文  参考訳（メタデータ） (2020-04-15T00:36:49Z)

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。