論文の概要: KuraNet: Systems of Coupled Oscillators that Learn to Synchronize
- arxiv url: http://arxiv.org/abs/2105.02838v1
- Date: Thu, 6 May 2021 17:26:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-07 13:12:02.291065
- Title: KuraNet: Systems of Coupled Oscillators that Learn to Synchronize
- Title（参考訳）: KuraNet:同期を学習する結合振動子のシステム
- Authors: Matthew Ricci, Minju Jung, Yuwei Zhang, Mathieu Chalvidal, Aneri Soni,
Thomas Serre
- Abstract要約: KuraNetは結合振動子の深層学習システムであり、乱れたネットワーク条件の分布にまたがって同期を学習することができる。
本研究では, 自然周波数の乱れ, 外部磁場強度, 相互作用遅延を考慮した解析不可能なモデルにおいて, グローバル同期の条件を実証的に検討する方法について述べる。
いずれの場合も、CuraNetが新しいデータと新しいネットワークスケールの両方に一般化し、小さなシステムとの作業を容易にし、熱力学限界に関する仮説を形成する方法を示します。
- 参考スコア（独自算出の注目度）: 8.53236289790987
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Networks of coupled oscillators are some of the most studied objects in the
theory of dynamical systems. Two important areas of current interest are the
study of synchrony in highly disordered systems and the modeling of systems
with adaptive network structures. Here, we present a single approach to both of
these problems in the form of "KuraNet", a deep-learning-based system of
coupled oscillators that can learn to synchronize across a distribution of
disordered network conditions. The key feature of the model is the replacement
of the traditionally static couplings with a coupling function which can learn
optimal interactions within heterogeneous oscillator populations. We apply our
approach to the eponymous Kuramoto model and demonstrate how KuraNet can learn
data-dependent coupling structures that promote either global or cluster
synchrony. For example, we show how KuraNet can be used to empirically explore
the conditions of global synchrony in analytically impenetrable models with
disordered natural frequencies, external field strengths, and interaction
delays. In a sequence of cluster synchrony experiments, we further show how
KuraNet can function as a data classifier by synchronizing into coherent
assemblies. In all cases, we show how KuraNet can generalize to both new data
and new network scales, making it easy to work with small systems and form
hypotheses about the thermodynamic limit. Our proposed learning-based approach
is broadly applicable to arbitrary dynamical systems with wide-ranging
relevance to modeling in physics and systems biology.
- Abstract（参考訳）: 結合振動子のネットワークは、力学系の理論において最も研究されている対象である。
現在注目されている2つの重要な分野は、高度に乱れたシステムにおける同期の研究と、適応的ネットワーク構造を持つシステムのモデリングである。
本稿では,これら2つの問題に対して,障害のあるネットワーク条件の分布にまたがって同期化を学習可能な結合発振器の深層学習システムであるKuraNetの形で単一のアプローチを提案する。
モデルの主な特徴は、異種振動子集団内の最適な相互作用を学習できるカップリング関数に従来の静的カップリングを置き換えることである。
提案手法を鞍本モデルに適用し,グローバルあるいはクラスタ同期を促進するデータ依存結合構造を学習する方法を実証する。
例えば, 不規則な自然周波数, 外部磁場強度, 相互作用遅延を有する解析的可視モデルにおいて, クラネットを用いて大域的同期の条件を経験的に検討する方法を示す。
クラスタ同期実験のシーケンスでは,コヒーレントなアセンブリに同期することで,kuranetがデータ分類器として機能することを示す。
いずれの場合も、鞍ネットが新しいデータと新しいネットワークスケールの両方に一般化できることを示し、小さなシステムで作業しやすく、熱力学の限界に関する仮説を形成する。
提案手法は,物理・システム生物学におけるモデリングと幅広い関係を持つ任意の力学系に適用可能である。
関連論文リスト
- On Using The Path Integral Formalism to Interpret Synchronization in Quantum Graph Networks [0.0]
同期中のシステムにラグランジアン力学を用いるという概念について議論する。
最小作用の概念を最小シグナリング項に置き換えることで、経路積分表現が同期力学の研究にどのように適用できるかを検討する。
論文 参考訳（メタデータ） (2024-08-03T00:15:31Z) - Inferring Relational Potentials in Interacting Systems [56.498417950856904]
このような相互作用を発見する代替手法として、ニューラル・インタラクション・推論(NIIP)を提案する。
NIIPは観測された関係制約を尊重する軌道のサブセットに低エネルギーを割り当てる。
別々に訓練されたモデル間での相互作用の型を交換するなどの軌道操作や、軌道予測を可能にする。
論文 参考訳（メタデータ） (2023-10-23T00:44:17Z) - An effective theory of collective deep learning [1.3812010983144802]
我々は、近年の分散化アルゴリズムを凝縮する最小限のモデルを導入する。
線形ネットワークの有効理論を導出し、我々のシステムの粗粒度挙動が変形したギンズバーグ・ランダウモデルと等価であることを示す。
MNISTデータセットで訓練された現実的なニューラルネットワークの結合アンサンブルで理論を検証した。
論文 参考訳（メタデータ） (2023-10-19T14:58:20Z) - Leveraging Low-Rank and Sparse Recurrent Connectivity for Robust
Closed-Loop Control [63.310780486820796]
繰り返し接続のパラメータ化が閉ループ設定のロバスト性にどのように影響するかを示す。
パラメータが少ないクローズドフォーム連続時間ニューラルネットワーク(CfCs)は、フルランクで完全に接続されたニューラルネットワークよりも優れています。
論文 参考訳（メタデータ） (2023-10-05T21:44:18Z) - How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。
入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文 参考訳（メタデータ） (2023-06-04T08:53:27Z) - Networks' modulation: How different structural network properties affect
the global synchronization of coupled Kuramoto oscillators [0.0]
同期は、異なる振動物体が互いに相互作用するときにリズムを調整するときに起こる。
本稿では,Fully-Connected,Random,Regular ring graph,Small-World,Scale-Freeなどのネットワークアーキテクチャの影響について検討する。
我々の主な発見は、スケールフリーおよびランダムネットワークにおいて、固有ベクトル中心性と平均最短経路長に基づく洗練されたノードの選択が、より高い同期性を達成するための体系的な傾向を示すことである。
論文 参考訳（メタデータ） (2023-02-24T13:21:58Z) - Bayesian Inference of Stochastic Dynamical Networks [0.0]
本稿では,ネットワークトポロジと内部ダイナミクスを学習するための新しい手法を提案する。
グループスパースベイズ学習(GSBL)、BINGO、カーネルベースの方法、dynGENIE3、genIE3、ARNIと比較される。
本手法は,グループスパースベイズ学習 (GSBL), BINGO, kernel-based method, dynGENIE3, GENIE3, ARNI と比較して,最先端の性能を実現する。
論文 参考訳（メタデータ） (2022-06-02T03:22:34Z) - Credit Assignment in Neural Networks through Deep Feedback Control [59.14935871979047]
ディープフィードバックコントロール(Deep Feedback Control, DFC)は、フィードバックコントローラを使用して、望ましい出力ターゲットにマッチするディープニューラルネットワークを駆動し、クレジット割り当てに制御信号を使用する新しい学習方法である。
学習規則は空間と時間において完全に局所的であり、幅広い接続パターンに対するガウス・ニュートンの最適化を近似する。
さらに,DFCと皮質錐体ニューロンのマルチコンパートメントモデルと,局所的な電圧依存性のシナプス可塑性規則を関連づける。
論文 参考訳（メタデータ） (2021-06-15T05:30:17Z) - Synergetic Learning of Heterogeneous Temporal Sequences for
Multi-Horizon Probabilistic Forecasting [48.8617204809538]
本稿では,新しい条件生成モデルである変分相乗型マルチホライゾンネットワーク(VSMHN)を提案する。
不均一なシーケンス間で複雑な相関関係を学習するために、深部プロセスモデルと変動的リカレントニューラルネットワークの進歩を組み合わせるために、調整されたエンコーダが考案された。
我々のモデルは変動予測を用いて効果的に訓練でき、モンテカルロシミュレーションを用いて予測を生成することができる。
論文 参考訳（メタデータ） (2021-01-31T11:00:55Z) - Deep Archimedean Copulas [98.96141706464425]
ACNetは、構造的特性を強制する、新しい差別化可能なニューラルネットワークアーキテクチャである。
我々は、ACNetが共通のアルキメデスコピュラスを近似し、データに適合する可能性のある新しいコプラを生成することができることを示した。
論文 参考訳（メタデータ） (2020-12-05T22:58:37Z) - Self-Supervised Learning of Generative Spin-Glasses with Normalizing
Flows [0.0]
一般的な離散問題におけるモデル相関に対する正規化フローを用いた連続スピングラス分布の開発を行う。
スピングラス位相の物理的および計算的特性をうまく学習できることを実証する。
注目すべきは、学習そのものがトレーニングされた正規化フローの層内のスピングラス相転移に対応することである。
論文 参考訳（メタデータ） (2020-01-02T19:00:01Z)
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。