論文の概要: Machine-Learning Non-Conservative Dynamics for New-Physics Detection

• arxiv url: http://arxiv.org/abs/2106.00026v1
• Date: Mon, 31 May 2021 18:00:10 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-02 14:02:54.270206
• Title: Machine-Learning Non-Conservative Dynamics for New-Physics Detection
• Title（参考訳）: 新物理検出のための機械学習非保守ダイナミクス
• Authors: Ziming Li, Bohan Wang, Qi Meng, Wei Chen, Max Tegmark and Tie-Yan Liu
• Abstract要約: 未知の力によって支配される軌道を考えると、ニューラル・ニュー物理検出器(NNPhD)は新しい物理を検出することを目的としています。 我々はNNPhDが、力場を保守的かつ非保守的成分に分解することで、新しい物理学の発見に成功したことを実証する。 また,NNPhDと積分器の結合が,減衰二重振り子の将来を予測する従来の手法よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 70.48346284371178
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Energy conservation is a basic physics principle, the breakdown of which often implies new physics. This paper presents a method for data-driven "new physics" discovery. Specifically, given a trajectory governed by unknown forces, our Neural New-Physics Detector (NNPhD) aims to detect new physics by decomposing the force field into conservative and non-conservative components, which are represented by a Lagrangian Neural Network (LNN) and a universal approximator network (UAN), respectively, trained to minimize the force recovery error plus a constant $\lambda$ times the magnitude of the predicted non-conservative force. We show that a phase transition occurs at $\lambda$=1, universally for arbitrary forces. We demonstrate that NNPhD successfully discovers new physics in toy numerical experiments, rediscovering friction (1493) from a damped double pendulum, Neptune from Uranus' orbit (1846) and gravitational waves (2017) from an inspiraling orbit. We also show how NNPhD coupled with an integrator outperforms previous methods for predicting the future of a damped double pendulum.
• Abstract（参考訳）: エネルギー保存は基本的な物理原理であり、その分解はしばしば新しい物理学を意味する。 本稿では,データ駆動型新しい物理発見手法を提案する。 具体的には、未知の力によって支配される軌道を考慮し、我々のニューラル新物理検出器(NNPhD)は、力場をラグランジアンニューラルネットワーク(LNN)と普遍近似器ネットワーク(UAN)で表される保守的および非保守的成分に分解し、力回復誤差の最小化と予測される非保守的力の大きさの1/$の一定値の値を求める。 任意の力に対して、相転移が$\lambda$=1で起こることを示す。 我々は、NNPhDがおもちゃの数値実験で新しい物理学を発見し、湿った二重振り子からの摩擦(1493)、天王星の軌道からの海王星(1846)、吸気軌道からの重力波(2017)を再発見することに成功した。 また,NNPhDと積分器の結合が,減衰二重振り子の将来を予測する従来の手法よりも優れていることを示す。

関連論文リスト

• Transport-Embedded Neural Architecture: Redefining the Landscape of physics aware neural models in fluid mechanics [0.0]
  二周期領域上で定義される物理問題であるTaylor-Green vortexは、標準物理インフォームドニューラルネットワークと我々のモデルの両方の性能を評価するベンチマークとして使用される。 その結果,標準物理インフォームドニューラルネットワークは解の正確な予測に失敗し,初期条件を時間的に返却するだけでなく,物理の時間的変化をうまく捉えていることがわかった。
  論文  参考訳（メタデータ） (2024-10-05T10:32:51Z)
• Ultracold Neutrons in the Low Curvature Limit: Remarks on the post-Newtonian effects [49.1574468325115]
  曲線時空における非相対論的シュル「オーディンガー方程式の導出に摂動スキームを適用する。 中性子のエネルギースペクトルの次から次への補正を計算する。 ウルトラコールド中性子の観測の現在の精度はまだ探究できないかもしれないが、将来や他の状況でも関係がある可能性がある。
  論文  参考訳（メタデータ） (2023-12-30T16:45:56Z)
• Gravitational Dimensionality Reduction Using Newtonian Gravity and Einstein's General Relativity [5.391157046071793]
  この研究は物理学と機械学習のハイブリッドであり、物理の概念が機械学習に使われている。 教師付き重力次元減少法(GDR)アルゴリズムを提案し,各クラスのデータポイントを相互に移動させることにより,クラス内分散の低減とクラス分離の促進を図る。
  論文  参考訳（メタデータ） (2022-10-30T23:40:06Z)
• 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)
• Rediscovering orbital mechanics with machine learning [1.2999518604217852]
  私たちは、30年間の軌道データから、太陽系の太陽、惑星、そして大きな衛星のダイナミクスをシミュレートするために「グラフニューラルネットワーク」を訓練します。 次に,ニューラルネットワークによって暗黙的に学習された力法則の解析式を発見するために,記号回帰を用いた。
  論文  参考訳（メタデータ） (2022-02-04T18:44:21Z)
• Observing how deep neural networks understand physics through the energy spectrum of one-dimensional quantum mechanics [0.0]
  ニューラルネットワーク(NN)が1次元量子力学を用いて物理学をどのように理解するかを検討した。 NNをトレーニングし、ポテンシャルからエネルギー固有値を正確に予測した後、NNの物理理解を4つの異なる側面から確認した。 訓練されたNNは、学習したものと異なるポテンシャルのエネルギー固有値を予測し、ポテンシャルの最小値と最大値に着目し、訓練中に使われていない粒子の存在の確率分布を予測し、訓練されていない物理現象を再現する。
  論文  参考訳（メタデータ） (2022-01-18T00:35:28Z)
• The problem of engines in statistical physics [62.997667081978825]
  エンジンは、外部の不均衡を犠牲にして、仕事を循環的に生成できるオープンシステムである。 オープン量子系の理論の最近の進歩は、自律エンジンのより現実的な記述を示している。 運動方程式に外部荷重力と熱雑音を組み込む方法を示す。
  論文  参考訳（メタデータ） (2021-08-17T03:59:09Z)
• ForceNet: A Graph Neural Network for Large-Scale Quantum Calculations [86.41674945012369]
  スケーラブルで表現力のあるグラフニューラルネットワークモデルであるForceNetを開発し、原子力を近似します。 提案したForceNetは、最先端の物理ベースのGNNよりも正確に原子力を予測することができる。
  論文  参考訳（メタデータ） (2021-03-02T03:09:06Z)
• Post-Newtonian Description of Quantum Systems in Gravitational Fields [0.0]
  この論文は、ニュートン後の重力場における量子力学系の体系的な処理を扱う。 我々の体系的なアプローチは、量子力学系のニュートン後の結合を第一原理に基づいて重力に適切に導出することができる。
  論文  参考訳（メタデータ） (2020-09-23T18:03:04Z)
• Learning Unknown Physics of non-Newtonian Fluids [56.9557910899739]
  我々は,2つの非ニュートン系の粘度モデルを学ぶために,物理インフォームドニューラルネットワーク(PINN)法を拡張した。 PINNで推論された粘度モデルは、絶対値が大きいが、せん断速度が0に近い場合の実験的モデルと一致する。 PINN法を用いて,境界条件のみを用いて非ニュートン流体の運動量保存方程式を解く。
  論文  参考訳（メタデータ） (2020-08-26T20:41:36Z)

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。