論文の概要: Artificial neural network as a universal model of nonlinear dynamical
systems
- arxiv url: http://arxiv.org/abs/2104.05402v1
- Date: Sat, 6 Mar 2021 16:02:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-08 22:06:48.511403
- Title: Artificial neural network as a universal model of nonlinear dynamical
systems
- Title(参考訳): 非線形力学系の普遍モデルとしてのニューラルネットワーク
- Authors: Pavel V. Kuptsov, Anna V. Kuptsova, Nataliya V. Stankevich
- Abstract要約: このマップは、重みがモデル化されたシステムをエンコードする人工知能ニューラルネットワークとして構築されている。
ローレンツ系、ロースラー系およびヒンドマール・ロースニューロンを考察する。
誘引子、パワースペクトル、分岐図、リャプノフ指数の視覚像に高い類似性が観察される。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We suggest a universal map capable to recover a behavior of a wide range of
dynamical systems given by ODEs. The map is built as an artificial neural
network whose weights encode a modeled system. We assume that ODEs are known
and prepare training datasets using the equations directly without computing
numerical time series. Parameter variations are taken into account in the
course of training so that the network model captures bifurcation scenarios of
the modeled system. Theoretical benefit from this approach is that the
universal model admits using common mathematical methods without needing to
develop a unique theory for each particular dynamical equations. Form the
practical point of view the developed method can be considered as an
alternative numerical method for solving dynamical ODEs suitable for running on
contemporary neural network specific hardware. We consider the Lorenz system,
the Roessler system and also Hindmarch-Rose neuron. For these three examples
the network model is created and its dynamics is compared with ordinary
numerical solutions. High similarity is observed for visual images of
attractors, power spectra, bifurcation diagrams and Lyapunov exponents.
- Abstract(参考訳): 本稿では,ODEによって与えられる幅広い力学系の挙動を復元できる普遍写像を提案する。
このマップは、重みがモデル化されたシステムをエンコードする人工ニューラルネットワークとして構築されている。
ODEは、数値時系列を計算せずに、方程式を用いてトレーニングデータセットを作成できると仮定する。
ネットワークモデルがモデル化されたシステムの分岐シナリオをキャプチャするように、トレーニングの過程でパラメータの変化が考慮される。
このアプローチの理論的利点は、普遍モデルがそれぞれの力学方程式に対して一意な理論を開発する必要なしに、共通の数学的方法を使うことを認めることである。
実用化の観点からは, 現代のニューラルネットワーク専用ハードウェア上での動作に適した動的ODEの解法として, 開発手法が考えられる。
我々はロレンツ系、ロエスラー系、および後行性-ローズニューロンについて考察する。
これら3つの例についてネットワークモデルを作成し、そのダイナミクスを通常の数値解と比較する。
誘引子、パワースペクトル、分岐図、リャプノフ指数の視覚像に高い類似性が観察される。
関連論文リスト
- Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。
新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。
我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
論文 参考訳(メタデータ) (2024-02-20T15:23:24Z) - Pseudo-Hamiltonian neural networks for learning partial differential
equations [0.0]
Pseudo-Hamiltonian Neural Network (PHNN)は、最近、通常の微分方程式でモデル化できる力学系を学ぶために導入された。
本稿では,この手法を偏微分方程式に拡張する。
得られたモデルは、保存、散逸、外部力を表す用語をモデル化する最大3つのニューラルネットワークと、学習または入力として与えられる個別の畳み込み演算子から構成される。
論文 参考訳(メタデータ) (2023-04-27T17:46:00Z) - How accurate are neural approximations of complex network dynamics? [2.483819327790676]
常微分方程式のデータ駆動近似は、力学系モデルを発見する古典的な方法の代替として有望なものである。
本稿では、複雑なネットワークを介して結合されたそのような方程式の系で力学を記述する複雑なシステムに焦点をあてる。
本稿では,これらの力学系をニューラルネットワークを用いて近似するための重要な要素を提案する。
論文 参考訳(メタデータ) (2023-01-12T09:44:59Z) - Experimental study of Neural ODE training with adaptive solver for
dynamical systems modeling [72.84259710412293]
アダプティブと呼ばれるいくつかのODEソルバは、目の前の問題の複雑さに応じて評価戦略を適用することができる。
本稿では,動的システムモデリングのためのブラックボックスとして適応型ソルバをシームレスに利用できない理由を示すための簡単な実験について述べる。
論文 参考訳(メタデータ) (2022-11-13T17:48:04Z) - On the balance between the training time and interpretability of neural
ODE for time series modelling [77.34726150561087]
本稿は,現代のニューラルODEを,時系列モデリングアプリケーションのためのより単純なモデルに還元することはできないことを示す。
ニューラルODEの複雑さは、従来の時系列モデリングツールと比較されるか、超える。
本稿では,ニューラルネットワークとODEシステムを用いた時系列モデリングの新しい視点を提案する。
論文 参考訳(メタデータ) (2022-06-07T13:49:40Z) - EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。
メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文 参考訳(メタデータ) (2022-02-21T18:59:03Z) - On Neural Differential Equations [13.503274710499971]
特に、ニューラル微分方程式(NDE)は、ニューラルネットワークと微分方程式が同じコインの両側であることを示す。
NDEは生成問題、動的システム、時系列を扱うのに適している。
NDEは高容量関数近似、モデル空間への強い先行性、不規則なデータを扱う能力、メモリ効率、そして両サイドで利用可能な豊富な理論を提供する。
論文 参考訳(メタデータ) (2022-02-04T23:32:29Z) - Constructing Neural Network-Based Models for Simulating Dynamical
Systems [59.0861954179401]
データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。
本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。
基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
論文 参考訳(メタデータ) (2021-11-02T10:51:42Z) - Cubature Kalman Filter Based Training of Hybrid Differential Equation
Recurrent Neural Network Physiological Dynamic Models [13.637931956861758]
ニューラルネットワーク近似を用いて、未知の常微分方程式を既知のODEで近似する方法を示す。
その結果、このRBSEによるNNパラメータのトレーニングは、バックプロパゲーションによるニューラルネットワークのトレーニングよりも優れた結果(測定/状態推定精度)が得られることが示唆された。
論文 参考訳(メタデータ) (2021-10-12T15:38:13Z) - DyNODE: Neural Ordinary Differential Equations for Dynamics Modeling in
Continuous Control [0.0]
本稿では,ニューラル常微分方程式の枠組みに制御を組み込むことにより,システムの基盤となる力学を捉える新しい手法を提案する。
以上の結果から,アクター批判強化学習アルゴリズムと組み合わせた単純なDyNODEアーキテクチャが,標準ニューラルネットワークより優れていることが示唆された。
論文 参考訳(メタデータ) (2020-09-09T12:56:58Z) - Multipole Graph Neural Operator for Parametric Partial Differential
Equations [57.90284928158383]
物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。
線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。
実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
論文 参考訳(メタデータ) (2020-06-16T21:56:22Z)
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。