Fugu-MT 論文翻訳(概要): Improving Simulations with Symmetry Control Neural Networks

論文の概要: Improving Simulations with Symmetry Control Neural Networks

arxiv url: http://arxiv.org/abs/2104.14444v1
Date: Thu, 29 Apr 2021 16:04:13 GMT
ステータス: 処理完了
システム内更新日: 2021-04-30 12:46:17.429124
Title: Improving Simulations with Symmetry Control Neural Networks
Title（参考訳）: 対称性制御ニューラルネットワークによるシミュレーションの改善
Authors: Marc Syvaeri, Sven Krippendorf
Abstract要約: ハミルトンニューラルネットワークに基づく対称性制約の学習と利用方法を提案する。サイクル座標を適切な損失関数で強制することにより、単純な古典力学のタスクで精度を向上できることが分かる。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The dynamics of physical systems is often constrained to lower dimensional sub-spaces due to the presence of conserved quantities. Here we propose a method to learn and exploit such symmetry constraints building upon Hamiltonian Neural Networks. By enforcing cyclic coordinates with appropriate loss functions, we find that we can achieve improved accuracy on simple classical dynamics tasks. By fitting analytic formulae to the latent variables in our network we recover that our networks are utilizing conserved quantities such as (angular) momentum.
Abstract（参考訳）: 物理系の力学はしばしば保存量の存在により低次元の部分空間に制限される。本稿では,ハミルトニアンニューラルネットワークに基づく対称性制約を学習し,活用する手法を提案する。サイクル座標を適切な損失関数で強制することにより、単純な古典力学のタスクで精度を向上できることが分かる。ネットワーク内の潜伏変数に解析式を適合させることにより、ネットワークが(角運動量のような保存量を利用していることを回復する。

関連論文リスト

The Empirical Impact of Neural Parameter Symmetries, or Lack Thereof [50.49582712378289]
ニューラル・ネットワーク・アーキテクチャの導入により,ニューラル・パラメータ・対称性の影響について検討する。我々は,パラメータ空間対称性を低減するために,標準的なニューラルネットワークを改良する2つの手法を開発した。実験により,パラメータ対称性の経験的影響に関する興味深い観察がいくつか示された。
論文参考訳（メタデータ） (2024-05-30T16:32:31Z)
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)
Riemannian Residual Neural Networks [58.925132597945634]
残余ニューラルネットワーク(ResNet)の拡張方法を示す。 ResNetは、機械学習において、有益な学習特性、優れた経験的結果、そして様々なニューラルネットワークを構築する際に容易に組み込める性質のために、ユビキタスになった。
論文参考訳（メタデータ） (2023-10-16T02:12:32Z)
Applications of Machine Learning to Modelling and Analysing Dynamical Systems [0.0]
本稿では,既存のハミルトンニューラルネットワーク構造を適応型シンプレクティックリカレントニューラルネットワークに組み合わせたアーキテクチャを提案する。このアーキテクチャは、ハミルトニアン力学を予測する際に、これまで提案されていたニューラルネットワークよりも大幅に優れていた。本手法は, 単一パラメータポテンシャルに対して有効であり, 長期間にわたって正確な予測を行うことができることを示す。
論文参考訳（メタデータ） (2023-07-22T19:04:17Z)
Simple initialization and parametrization of sinusoidal networks via their kernel bandwidth [92.25666446274188]
従来の活性化機能を持つネットワークの代替として、活性化を伴う正弦波ニューラルネットワークが提案されている。まず,このような正弦波ニューラルネットワークの簡易版を提案する。次に、ニューラルタンジェントカーネルの観点からこれらのネットワークの挙動を分析し、そのカーネルが調整可能な帯域幅を持つ低域フィルタを近似することを実証する。
論文参考訳（メタデータ） (2022-11-26T07:41:48Z)
Learn one size to infer all: Exploiting translational symmetries in delay-dynamical and spatio-temporal systems using scalable neural networks [1.9686770963118383]
力学系における翻訳対称性に適応したニューラルネットワーク。我々はこれらのネットワークをトレーニングし、単一のサイズで遅延と動的時空システムのダイナミクスを予測する。ネットワークのサイズをスケールすることで、より大きく、より小さなシステムサイズで複雑なダイナミクスを予測できることを実証します。
論文参考訳（メタデータ） (2021-11-05T19:09:50Z)
Locally-symplectic neural networks for learning volume-preserving dynamics [0.0]
音量保存力学を学習するための局所シンプレクティックニューラルネットワーク LocSympNets を提案する。 LocSympNets の構成は、体積保存力学系のベクトル場の局所ハミルトン記述の定理に由来する。
論文参考訳（メタデータ） (2021-09-19T15:58:09Z)
Physical Constraint Embedded Neural Networks for inference and noise regulation [0.0]
ニューラルネットワークに偶数ノード対称性と保存則を埋め込む方法を提案する。先行知識を使わずに正確に対称性を推測できることを実証する。物理拘束型組込みニューラルネットワークの雑音耐性特性を強調した。
論文参考訳（メタデータ） (2021-05-19T14:07:20Z)
Improve Generalization and Robustness of Neural Networks via Weight Scale Shifting Invariant Regularizations [52.493315075385325]
重み劣化を含む正則化器の族は、均質な活性化関数を持つネットワークに対する本質的な重みのノルムをペナルティ化するのに有効でないことを示す。そこで我々は,ニューラルネットワークの本質的な規範を効果的に制約する改良型正規化器を提案する。
論文参考訳（メタデータ） (2020-08-07T02:55:28Z)
Time-Reversal Symmetric ODE Network [138.02741983098454]
時間反転対称性は古典力学や量子力学においてしばしば保持される基本的な性質である。本稿では,通常の微分方程式(ODE)ネットワークがこの時間反転対称性にどの程度よく適合しているかを測定する新しい損失関数を提案する。時間反転対称性を完全に持たないシステムであっても, TRS-ODEN はベースラインよりも優れた予測性能が得られることを示す。
論文参考訳（メタデータ） (2020-07-22T12:19:40Z)

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。