論文の概要: Joint Parameter Discovery and Generative Modeling of Dynamic Systems
- arxiv url: http://arxiv.org/abs/2103.10905v1
- Date: Fri, 19 Mar 2021 16:56:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-22 15:29:50.297998
- Title: Joint Parameter Discovery and Generative Modeling of Dynamic Systems
- Title(参考訳): 動的システムの共同パラメータ発見と生成モデリング
- Authors: Gregory Barber, Mulugeta A. Haile, Tzikang Chen
- Abstract要約: 本稿では,物理パラメータを基礎物理と一致する方法で推定するためのニューラル・フレームワークを提案する。
また,本モデルはトレーニング間隔を超えてシステムのダイナミクスを推定し,非物理的に制約されたベースラインモデルよりも優れる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Given an unknown dynamic system such as a coupled harmonic oscillator with
$n$ springs and point masses. We are often interested in gaining insights into
its physical parameters, i.e. stiffnesses and masses, by observing trajectories
of motion. How do we achieve this from video frames or time-series data and
without the knowledge of the dynamics model? We present a neural framework for
estimating physical parameters in a manner consistent with the underlying
physics. The neural framework uses a deep latent variable model to disentangle
the system physical parameters from canonical coordinate observations. It then
returns a Hamiltonian parameterization that generalizes well with respect to
the discovered physical parameters. We tested our framework with simple
harmonic oscillators, $n=1$, and noisy observations and show that it discovers
the underlying system parameters and generalizes well with respect to these
discovered parameters. Our model also extrapolates the dynamics of the system
beyond the training interval and outperforms a non-physically constrained
baseline model. Our source code and datasets can be found at this URL:
https://github.com/gbarber94/ConSciNet.
- Abstract(参考訳): 結合調和振動子のような未知の力学系に$n$のばねと点質量を与える。
私たちはしばしば、その物理パラメータ、すなわち、洞察を得ることに興味を持っています。
運動の軌跡を観察することで 硬さと質量
動画フレームや時系列データから、ダイナミックスモデルの知識なしにどうやってこれを達成すればよいのか?
物理パラメータを基礎となる物理と整合した方法で推定するニューラルネットワークフレームワークを提案する。
ニューラルネットワークは、深層潜伏変数モデルを使用して、システムの物理パラメータを標準座標観測から切り離す。
その後、発見された物理パラメータに関してうまく一般化するハミルトンパラメータ化を返す。
我々は、単純な調和振動子、$n=1$、および騒がしい観測でこのフレームワークをテストし、基礎となるシステムパラメータを発見し、これらの発見パラメータに関してよく一般化することを示した。
また,本モデルはトレーニング間隔を超えてシステムのダイナミクスを推定し,非物理的に制約されたベースラインモデルよりも優れる。
ソースコードとデータセットは、このurlで見ることができる。
関連論文リスト
- Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳(メタデータ) (2023-04-08T07:55:36Z) - 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) - Discovering dynamical features of Hodgkin-Huxley-type model of
physiological neuron using artificial neural network [0.0]
2つの高速かつ1つの遅い変数を持つHodgkin-Huxley型システムを考える。
これら2つのシステムでは、そのダイナミクスを再現できる人工ニューラルネットワークを作成します。
ビスタブルモデルでは、トレーニング中に見ずに、あるソリューションのブランチでのみトレーニングされたネットワークが、別のネットワークを回復することを意味する。
論文 参考訳(メタデータ) (2022-03-26T19:04:19Z) - Bayesian Calibration of imperfect computer models using Physics-informed
priors [0.0]
本稿では,計算機モデルの物理パラメータの不確かさを定量化するのに適した,計算効率の良いデータ駆動フレームワークを提案する。
我々はこれを完全にベイズ的枠組みに拡張し、物理パラメータの不確かさとモデル予測の定量化を可能にした。
この研究は、高血圧の個人治療のための心臓の血行動態の解釈可能なパラメータの必要性によって動機付けられている。
論文 参考訳(メタデータ) (2022-01-17T15:16:26Z) - SyMetric: Measuring the Quality of Learnt Hamiltonian Dynamics Inferred
from Vision [73.26414295633846]
最近提案されたモデルのクラスは、高次元観測から潜在力学を学習しようと試みている。
既存の手法は画像再構成の品質に依存しており、学習した潜在力学の質を常に反映しているわけではない。
我々は、基礎となるハミルトン力学が忠実に捕獲されたかどうかのバイナリ指標を含む、一連の新しい尺度を開発する。
論文 参考訳(メタデータ) (2021-11-10T23:26:58Z) - Post-mortem on a deep learning contest: a Simpson's paradox and the
complementary roles of scale metrics versus shape metrics [61.49826776409194]
我々は、ニューラルネットワーク(NN)モデルの一般化精度を予測するために、コンテストで公に利用可能にされたモデルのコーパスを分析する。
メトリクスが全体としてよく機能するが、データのサブパーティションではあまり機能しない。
本稿では,データに依存しない2つの新しい形状指標と,一連のNNのテスト精度の傾向を予測できるデータ依存指標を提案する。
論文 参考訳(メタデータ) (2021-06-01T19:19:49Z) - Using Data Assimilation to Train a Hybrid Forecast System that Combines
Machine-Learning and Knowledge-Based Components [52.77024349608834]
利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。
動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
論文 参考訳(メタデータ) (2021-02-15T19:56:48Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳(メタデータ) (2021-02-12T12:23:13Z) - Spring-Rod System Identification via Differentiable Physics Engine [10.226310620727942]
複雑なスプリングロッドアセンブリのシステム同定のための新しい微分可能な物理エンジンを提案する。
従来の物理エンジンと同様、動作の制御方程式の離散形式を用いて、エンジンの設計をモジュール化する。
論文 参考訳(メタデータ) (2020-11-09T04:36:22Z) - Kernel-based parameter estimation of dynamical systems with unknown
observation functions [15.1749038371963]
低次元力学系は高次元信号として実験で観察される。
時間進化を1回だけ測定することで、基礎となるシステムのパラメータを推定できるだろうか?
この推定を行うための重要な情報は、信号とモデルの間の時間的相互依存性にある。
論文 参考訳(メタデータ) (2020-09-09T07:29:11Z)
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。