Fugu-MT 論文翻訳(概要): Deep learning neural networks for the third-order nonlinear Schrodinger equation: Solitons, breathers, and rogue waves

論文の概要: Deep learning neural networks for the third-order nonlinear Schrodinger equation: Solitons, breathers, and rogue waves

arxiv url: http://arxiv.org/abs/2104.14809v1
Date: Fri, 30 Apr 2021 07:50:08 GMT
ステータス: 処理完了
システム内更新日: 2021-05-03 22:15:23.968386
Title: Deep learning neural networks for the third-order nonlinear Schrodinger equation: Solitons, breathers, and rogue waves
Title（参考訳）: 3階非線形シュロディンガー方程式の深層学習ニューラルネットワーク:ソリトン、呼吸器、ローグ波
Authors: Zijian Zhou and Zhenya Yan
Abstract要約: 本稿では,物理インフォームドニューラルネットワーク(PINN)の深層学習手法を用いて,広田方程式のデータ駆動型解の探索を行う。また, pinns深層学習を用いて, ヒロタ方程式に現れるパラメータをソリトンを用いてデータ駆動的に発見する手法について検討した。
参考スコア（独自算出の注目度）: 1.2691047660244335
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The third-order nonlinear Schrodinger equation (alias the Hirota equation) is investigated via deep leaning neural networks, which describes the strongly dispersive ion-acoustic wave in plasma and the wave propagation of ultrashort light pulses in optical fibers, as well as broader-banded waves on deep water. In this paper, we use the physics-informed neural networks (PINNs) deep learning method to explore the data-driven solutions (e.g., soliton, breather, and rogue waves) of the Hirota equation when the two types of the unperturbated and unperturbated (a 2% noise) training data are considered. Moreover, we use the PINNs deep learning to study the data-driven discovery of parameters appearing in the Hirota equation with the aid of solitons.
Abstract（参考訳）: 3階非線形シュロディンガー方程式(広田方程式)は、プラズマ中の強い分散イオン音響波と光ファイバ中の超短光パルスの波動伝播、および深海における広帯域波を記述した深い傾きニューラルネットワークを用いて研究される。本稿では,2種類の非摂動・非摂動(2%ノイズ)トレーニングデータを考慮した広田方程式のデータ駆動解(ソリトン,ブレッシャー,ローグ波など)を,物理学的不定型ニューラルネットワーク(pinns)深層学習法を用いて探索する。さらに,pinns深層学習を用いて,広田方程式に現れるパラメータをソリトンを用いてデータ駆動的に発見する。

関連論文リスト

Neural Pfaffians: Solving Many Many-Electron Schrödinger Equations [58.130170155147205]
神経波関数は、計算コストが高いにもかかわらず、多電子系の基底状態の近似において前例のない精度を達成した。近年の研究では、個々の問題を個別に解くのではなく、様々な構造や化合物にまたがる一般化波動関数を学習することでコストを下げることが提案されている。この研究は、分子間の一般化に適した過度にパラメータ化され、完全に学習可能なニューラルウェーブ関数を定義することで、この問題に取り組む。
論文参考訳（メタデータ） (2024-05-23T16:30:51Z)
Taper-based scattering formulation of the Helmholtz equation to improve the training process of Physics-Informed Neural Networks [0.0]
この研究は、2つの半無限導波路を接続する接合における入射波の散乱問題に対処する。 PINNはスペクトルバイアスとヘルムホルツ方程式の双曲的性質に悩まされていることが知られている。我々はヘルムホルツ境界値問題の等価な定式化を提案する。
論文参考訳（メタデータ） (2024-04-15T13:51:20Z)
Data-driven localized waves and parameter discovery in the massive Thirring model via extended physics-informed neural networks with interface zones [3.522950356329991]
深層学習を用いた大規模Thiring(MT)モデルにおいて,データ駆動型局所波動解とパラメータ発見について検討した。高次局所波解に対しては、拡張PINN(XPINN)とドメイン分解を用いる。実験結果から, XPINNsの改良により, 収束速度が速く, 計算の複雑さを低減できることがわかった。
論文参考訳（メタデータ） (2023-09-29T13:50:32Z)
Bayesian Interpolation with Deep Linear Networks [92.1721532941863]
ニューラルネットワークの深さ、幅、データセットサイズがモデル品質にどう影響するかを特徴付けることは、ディープラーニング理論における中心的な問題である。線形ネットワークが無限深度で証明可能な最適予測を行うことを示す。また、データに依存しない先行法により、広い線形ネットワークにおけるベイズ模型の証拠は無限の深さで最大化されることを示す。
論文参考訳（メタデータ） (2022-12-29T20:57:46Z)
Use of BNNM for interference wave solutions of the gBS-like equation and comparison with PINNs [0.0]
本研究では、一般化された双線形法により、一般化された破壊ソリトン様(gBS様)方程式を導出する。双線形ニューラルネットワーク法(BNNM)と物理情報ニューラルネットワーク(PINN)を用いてgBS様方程式の干渉波解を求める。
論文参考訳（メタデータ） (2022-08-07T17:54:40Z)
Momentum Diminishes the Effect of Spectral Bias in Physics-Informed Neural Networks [72.09574528342732]
物理インフォームドニューラルネットワーク(PINN)アルゴリズムは、偏微分方程式(PDE)を含む幅広い問題を解く上で有望な結果を示している。彼らはしばしば、スペクトルバイアスと呼ばれる現象のために、ターゲット関数が高周波の特徴を含むとき、望ましい解に収束しない。本研究は, 運動量による勾配降下下で進化するPINNのトレーニングダイナミクスを, NTK(Neural Tangent kernel)を用いて研究するものである。
論文参考訳（メタデータ） (2022-06-29T19:03:10Z)
The Spectral Bias of Polynomial Neural Networks [63.27903166253743]
PNN(Polynomial Neural Network)は、高頻度情報を重要視する画像生成と顔認識に特に有効であることが示されている。これまでの研究では、ニューラルネットワークが低周波関数に対して$textitspectral bias$を示しており、トレーニング中に低周波成分のより高速な学習をもたらすことが示されている。このような研究に触発されて、我々はPNNのTangent Kernel(NTK)のスペクトル分析を行う。我々は、最近提案されたPNNのパラメトリゼーションである$Pi$-Netファミリがスピードアップすることを発見した。
論文参考訳（メタデータ） (2022-02-27T23:12:43Z)
Deep neural networks for solving forward and inverse problems of (2+1)-dimensional nonlinear wave equations with rational solitons [6.529583356640745]
2+1)次元KP-I方程式とスピン-NLS方程式の逆問題について,ディープラーニングを用いて検討した。データ駆動の前方および逆問題の主な考え方は、活性化関数を持つディープニューラルネットワークを用いて、2+1次元の非線形方程式の解を近似することである。
論文参考訳（メタデータ） (2021-12-28T08:41:40Z)
Data-driven rogue waves and parameter discovery in the defocusing NLS equation with a potential using the PINN deep learning [7.400475825464313]
我々は, 多層PINN深層学習法を用いて, 時間依存性電位を持つ非集束非線形シュレーディンガー方程式(NLS)のデータ駆動ローグ波の解を研究する。結果は、深層学習ニューラルネットワークの研究におけるポテンシャルを持つ脱焦点NSS方程式の不正な波の解をさらに議論するのに有用である。
論文参考訳（メタデータ） (2020-12-18T00:09:21Z)
Provable Memorization via Deep Neural Networks using Sub-linear Parameters [91.0268925267129]
O(N)$パラメータはニューラルネットワークが任意の$N$入力ラベルペアを記憶するのに十分であることが知られている。深度を利用して,$O(N2/3)$パラメータが入力点分離の軽度条件下で,$N$ペアを記憶するのに十分であることを示す。
論文参考訳（メタデータ） (2020-10-26T06:19:38Z)
Neural Splines: Fitting 3D Surfaces with Infinitely-Wide Neural Networks [61.07202852469595]
本稿では,無限幅浅部ReLUネットワークから生じるランダムな特徴カーネルをベースとした3次元表面再構成手法であるNeural Splinesを提案する。提案手法は,最近のニューラルネットワーク技術より優れ,ポアソン表面再構成に広く用いられている。
論文参考訳（メタデータ） (2020-06-24T14:54:59Z)

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。