論文の概要: Learning normal form autoencoders for data-driven discovery of
universal,parameter-dependent governing equations
- arxiv url: http://arxiv.org/abs/2106.05102v1
- Date: Wed, 9 Jun 2021 14:25:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-10 14:54:46.552861
- Title: Learning normal form autoencoders for data-driven discovery of
universal,parameter-dependent governing equations
- Title(参考訳): データ駆動型普遍パラメータ依存型支配方程式発見のための正規形式オートエンコーダの学習
- Authors: Manu Kalia, Steven L. Brunton, Hil G.E. Meijer, Christoph Brune, J.
Nathan Kutz
- Abstract要約: 複雑系は、自然界において正則である少数の不安定性と分岐を示す。
このようなパラメトリック不安定性は、数学的には普遍的アンフォールディング(un-folding)または正規形式力学によって特徴づけられる。
本稿では,基礎となるパラメトリック依存を捉える座標変換を発見するためのディープラーニングオートエンコーダを提案する。
- 参考スコア(独自算出の注目度): 3.769860395223177
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Complex systems manifest a small number of instabilities and bifurcations
that are canonical in nature, resulting in universal pattern forming
characteristics as a function of some parametric dependence. Such parametric
instabilities are mathematically characterized by their universal un-foldings,
or normal form dynamics, whereby a parsimonious model can be used to represent
the dynamics. Although center manifold theory guarantees the existence of such
low-dimensional normal forms, finding them has remained a long standing
challenge. In this work, we introduce deep learning autoencoders to discover
coordinate transformations that capture the underlying parametric dependence of
a dynamical system in terms of its canonical normal form, allowing for a simple
representation of the parametric dependence and bifurcation structure. The
autoencoder constrains the latent variable to adhere to a given normal form,
thus allowing it to learn the appropriate coordinate transformation. We
demonstrate the method on a number of example problems, showing that it can
capture a diverse set of normal forms associated with Hopf, pitchfork,
transcritical and/or saddle node bifurcations. This method shows how normal
forms can be leveraged as canonical and universal building blocks in deep
learning approaches for model discovery and reduced-order modeling.
- Abstract(参考訳): 複素系は、自然界において標準的である少数の不安定性と分岐を示し、パラメトリック依存の関数としての普遍的なパターン形成特性をもたらす。
このようなパラメトリック不安定性は、数学的には普遍的アンフォールディング(un-foldings)または正規形式力学によって特徴づけられる。
中心多様体理論はそのような低次元の正規形式の存在を保証するが、それらを見つけることは長い挑戦のままである。
本研究では,その正準正規形を用いて力学系のパラメトリック依存を捉える座標変換を探索する深層学習オートエンコーダを導入し,パラメトリック依存と分岐構造の簡易表現を可能にした。
オートエンコーダは、潜在変数を所定の正規形式に従うように制約し、適切な座標変換を学ぶことができる。
本手法は, ホップ, ピッチフォーク, トランスクリティカル, および/またはサドルノード分岐に関連する, 多様な正規形の集合を捉えることができることを示す。
本手法は, モデル探索および低次モデリングのための深層学習手法において, 正規および普遍的な構造ブロックとして正規形式をどのように活用するかを示す。
関連論文リスト
- Gradient-Based Feature Learning under Structured Data [57.76552698981579]
異方性設定では、一般的に使用される球面勾配力学は真の方向を回復できないことがある。
バッチ正規化を連想させる適切な重み正規化は、この問題を軽減することができることを示す。
特に、スパイクモデルの下では、勾配に基づくトレーニングのサンプルの複雑さは情報指数とは独立にできる。
論文 参考訳(メタデータ) (2023-09-07T16:55:50Z) - Geometric Neural Diffusion Processes [55.891428654434634]
拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。
これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
論文 参考訳(メタデータ) (2023-07-11T16:51:38Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳(メタデータ) (2023-04-08T07:55:36Z) - DIFFormer: Scalable (Graph) Transformers Induced by Energy Constrained
Diffusion [66.21290235237808]
本稿では,データセットからのインスタンスのバッチを進化状態にエンコードするエネルギー制約拡散モデルを提案する。
任意のインスタンス対間の対拡散強度に対する閉形式最適推定を示唆する厳密な理論を提供する。
各種タスクにおいて優れた性能を有する汎用エンコーダバックボーンとして,本モデルの適用性を示す実験を行った。
論文 参考訳(メタデータ) (2023-01-23T15:18:54Z) - Evolution TANN and the discovery of the internal variables and evolution
equations in solid mechanics [0.0]
材料表現をインクリメンタルな定式化から切り離す新しい手法を提案する。
熱力学に基づくニューラルネットワーク(TANN)と内部変数の理論にインスパイアされた進化 TANN(eTANN)は、連続時間である。
提案手法の主な特徴は、通常の微分方程式の形で内部変数の進化方程式の発見である。
論文 参考訳(メタデータ) (2022-09-27T09:25:55Z) - Why neural networks find simple solutions: the many regularizers of
geometric complexity [13.729491571993163]
我々は、離散ディリクレエネルギーを用いて計算されたモデル関数の変数の尺度である幾何学的複雑性の概念を開発する。
パラメータノルム正則化、スペクトルノルム正則化、平坦性正則化、勾配正則化、雑音正則化など、多くの一般的な訓練が、幾何学的複雑性を制御するために働くことを示す。
論文 参考訳(メタデータ) (2022-09-27T00:16:38Z) - Augmenting Implicit Neural Shape Representations with Explicit
Deformation Fields [95.39603371087921]
入射神経表現は、ニューラルネットワークのゼロレベルセットとして形状収集を学ぶための最近のアプローチである。
我々は,暗黙的ニューラル表現に対する変形認識正規化を提唱し,遅延コードの変化として可塑性変形を生成することを目的とした。
論文 参考訳(メタデータ) (2021-08-19T22:07:08Z) - OnsagerNet: Learning Stable and Interpretable Dynamics using a
Generalized Onsager Principle [19.13913681239968]
我々は、一般化オンサーガー原理に基づいて、物理過程からサンプリングされた軌道データを用いて、安定かつ物理的に解釈可能な力学モデルを学ぶ。
さらに、この手法をレイリー・ベナード対流の研究に応用し、ローレンツ風の低次元自律還元次モデルを学ぶ。
論文 参考訳(メタデータ) (2020-09-06T07:30:59Z) - Coupling-based Invertible Neural Networks Are Universal Diffeomorphism
Approximators [72.62940905965267]
結合フロー(CF-INN)に基づく可逆ニューラルネットワークは、画像合成や表現学習など、さまざまな機械学習応用を有する。
CF-INNは可逆関数に対する普遍近似器か?
我々は、ある微分同相類に対する普遍性の同値性を示す一般的な定理を証明する。
論文 参考訳(メタデータ) (2020-06-20T02:07:37Z) - 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。