論文の概要: Multi-objective discovery of PDE systems using evolutionary approach

• arxiv url: http://arxiv.org/abs/2103.06739v1
• Date: Thu, 11 Mar 2021 15:37:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-08 11:15:36.751830
• Title: Multi-objective discovery of PDE systems using evolutionary approach
• Title（参考訳）: 進化的アプローチによるPDEシステムの多目的発見
• Authors: Mikhail Maslyaev and Alexander Hvatov
• Abstract要約: 本稿では,多目的共進化アルゴリズムについて述べる。 システム内の単一の方程式とシステム自体が同時に進化し、システムを得る。 単一のベクトル方程式とは対照的に、コンポーネント・ワイド・システムは専門家の解釈により適しており、従って応用にも適している。
• 参考スコア（独自算出の注目度）: 77.34726150561087
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Usually, the systems of partial differential equations (PDEs) are discovered from observational data in the single vector equation form. However, this approach restricts the application to the real cases, where, for example, the form of the external forcing is of interest. In the paper, a multi-objective co-evolution algorithm is described. The single equations within the system and the system itself are evolved simultaneously to obtain the system. This approach allows discovering the systems with the form-independent equations. In contrast to the single vector equation, a component-wise system is more suitable for expert interpretation and, therefore, for applications. The example of the two-dimensional Navier-Stokes equation is considered.
• Abstract（参考訳）: 通常、偏微分方程式(PDE)の系は、単一のベクトル方程式形式の観測データから発見される。 しかし、このアプローチは、例えば外部強制の形式が興味をそそられるような実際のケースにアプリケーションを制限する。 本稿では,多目的共進化アルゴリズムについて述べる。 システム内の1つの方程式とシステム自体を同時に発展させ、システムを得る。 このアプローチにより、形式に依存しない方程式でシステムを発見することができる。 単一ベクトル方程式とは対照的に、成分単位系は専門家の解釈や応用により適している。 二次元ナビエ・ストークス方程式の例を考える。

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)
• Governing equation discovery of a complex system from snapshots [11.803443731299677]
  スナップショットからの微分方程式のスパース同定 (Sparse Identification of Differential Equations from Snapshots (SpIDES)) と呼ばれるデータ駆動型シミュレーションフリーフレームワークを導入する。 SpIDESは、高度な機械学習技術を利用してスナップショットから複雑なシステムの制御方程式を発見する。 2つの潜在的な井戸に閉じ込められた過剰損傷ランゲヴィン系の支配方程式を同定し,SpIDESの有効性とロバスト性を検証した。
  論文  参考訳（メタデータ） (2024-10-22T04:55:12Z)
• Neural Differential Algebraic Equations [6.100037457394823]
  微分代数方程式(DAE)のデータ駆動モデリングに適したニューラル微分代数方程式(NDAE)を提案する。 提案したNDAEs抽象化は、関連するシステム理論データ駆動モデリングタスクに適していることを示す。
  論文  参考訳（メタデータ） (2024-03-19T17:43:57Z)
• Towards true discovery of the differential equations [57.089645396998506]
  微分方程式探索は、解釈可能なモデルを開発するために使用される機械学習サブフィールドである。 本稿では,専門家の入力を伴わない独立方程式発見のための前提条件とツールについて検討する。
  論文  参考訳（メタデータ） (2023-08-09T12:03:12Z)
• System Identification with Copula Entropy [2.3980064191633232]
  コプラエントロピー(CE)を用いた力学系の微分方程式の同定法を提案する。 この問題は変数選択問題と見なされ、従来提案されていた変数選択のためのCE法で解決された。
  論文  参考訳（メタデータ） (2023-04-23T09:56:33Z)
• Semi-supervised Learning of Partial Differential Operators and Dynamical Flows [68.77595310155365]
  本稿では,超ネットワーク解法とフーリエニューラル演算子アーキテクチャを組み合わせた新しい手法を提案する。 本手法は, 1次元, 2次元, 3次元の非線形流体を含む様々な時間発展PDEを用いて実験を行った。 その結果、新しい手法は、監督点の時点における学習精度を向上し、任意の中間時間にその解を補間できることを示した。
  論文  参考訳（メタデータ） (2022-07-28T19:59:14Z)
• D-CIPHER: Discovery of Closed-form Partial Differential Equations [80.46395274587098]
  D-CIPHERは人工物の測定に頑健であり、微分方程式の新しい、非常に一般的なクラスを発見できる。 さらに,D-CIPHERを効率的に探索するための新しい最適化手法であるCoLLieを設計する。
  論文  参考訳（メタデータ） (2022-06-21T17:59:20Z)
• Continuous Convolutional Neural Networks: Coupled Neural PDE and ODE [1.1897857181479061]
  本研究では、物理システムの隠れた力学を学習できる畳み込みニューラルネットワーク(CNN)の変種を提案する。 画像や時系列などの物理系を複数の層からなるシステムとして考えるのではなく、微分方程式(DE)の形でシステムをモデル化することができる。
  論文  参考訳（メタデータ） (2021-10-30T21:45:00Z)
• Differential Equation Based Path Integral for System-Bath Dynamics [0.0]
  本稿では,自由量子系の実時間進化をシミュレートする微分方程式に基づく経路積分(DEBPI)法を提案する。 これらの微分方程式を離散化することで、新しい数値スキームを導出することができる。 適切なシステムを選択し,適切な数値スキームを適用することで,i-QuAPI法に必要なメモリコストを大幅に削減できることを数値的に検証した。
  論文  参考訳（メタデータ） (2021-07-22T15:06:22Z)
• The data-driven physical-based equations discovery using evolutionary approach [77.34726150561087]
  与えられた観測データから数学的方程式を発見するアルゴリズムについて述べる。 このアルゴリズムは遺伝的プログラミングとスパース回帰を組み合わせたものである。 解析方程式の発見や偏微分方程式(PDE)の発見にも用いられる。
  論文  参考訳（メタデータ） (2020-04-03T17:21:57Z)

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。