論文の概要: Machine learning structure preserving brackets for forecasting irreversible processes

• arxiv url: http://arxiv.org/abs/2106.12619v1
• Date: Wed, 23 Jun 2021 18:27:59 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-25 14:55:05.684230
• Title: Machine learning structure preserving brackets for forecasting irreversible processes
• Title（参考訳）: 不可逆過程を予測するブラケットを保存する機械学習構造
• Authors: Kookjin Lee and Nathaniel A. Trask and Panos Stinis
• Abstract要約: 本報告では, 直交力学系からの散逸ブラケットのパラメータ化について述べる。 このプロセスは、エネルギーとエントロピーが保存され、非減少することが保証された一般化されたカシミールを学ぶ。 我々は、学習力学が「ブラックボックス」やペナルティベースのアプローチよりも頑健で、より一般化されていることを示す散逸システムのためのベンチマークを提供する。
• 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: Forecasting of time-series data requires imposition of inductive biases to obtain predictive extrapolation, and recent works have imposed Hamiltonian/Lagrangian form to preserve structure for systems with reversible dynamics. In this work we present a novel parameterization of dissipative brackets from metriplectic dynamical systems appropriate for learning irreversible dynamics with unknown a priori model form. The process learns generalized Casimirs for energy and entropy guaranteed to be conserved and nondecreasing, respectively. Furthermore, for the case of added thermal noise, we guarantee exact preservation of a fluctuation-dissipation theorem, ensuring thermodynamic consistency. We provide benchmarks for dissipative systems demonstrating learned dynamics are more robust and generalize better than either "black-box" or penalty-based approaches.
• Abstract（参考訳）: 時系列データの予測には予測外挿を得るために帰納バイアスの付与が必要であり、最近の研究では可逆力学系の構造を保存するためにハミルトニアン/ラグランジアン形式が課されている。 本稿では,未知の事前モデル形式を持つ可逆力学の学習に適した3次力学系からの散逸ブラケットのパラメータ化を提案する。 この過程は、エネルギーとエントロピーがそれぞれ保存され、非減少することが保証された一般化されたカシミールを学ぶ。 さらに, 熱雑音が加わった場合, 変動散逸定理の正確な保存を保証し, 熱力学的整合性を確保する。 学習したダイナミクスが"ブラックボックス"やペナルティベースのアプローチよりも堅牢で一般化していることを示す散逸システムのベンチマークを提供する。

関連論文リスト

• Latent Space Energy-based Neural ODEs [73.01344439786524]
  本稿では,連続時間シーケンスデータを表現するために設計された深部力学モデルの新しいファミリを紹介する。 マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。 発振システム、ビデオ、実世界の状態シーケンス(MuJoCo)の実験は、学習可能なエネルギーベース以前のODEが既存のものより優れていることを示している。
  論文  参考訳（メタデータ） (2024-09-05T18:14:22Z)
• A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
  非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。 後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。 実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
  論文  参考訳（メタデータ） (2024-02-26T04:39:01Z)
• TANGO: Time-Reversal Latent GraphODE for Multi-Agent Dynamical Systems [43.39754726042369]
  連続グラフニューラルネットワークに基づく常微分方程式(GraphODE)により予測される前後の軌跡を整列するソフト制約として,単純かつ効果的な自己監督型正規化項を提案する。 時間反転対称性を効果的に課し、古典力学の下でより広い範囲の力学系にわたってより正確なモデル予測を可能にする。 様々な物理システムに対する実験結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-10-10T08:52:16Z)
• Decimation technique for open quantum systems: a case study with driven-dissipative bosonic chains [62.997667081978825]
  量子系の外部自由度への不可避結合は、散逸(非単体)ダイナミクスをもたらす。 本稿では,グリーン関数の(散逸的な)格子計算に基づいて,これらのシステムに対処する手法を提案する。 本手法のパワーを,複雑性を増大させる駆動散逸型ボゾン鎖のいくつかの例で説明する。
  論文  参考訳（メタデータ） (2022-02-15T19:00:09Z)
• Structure-Preserving Learning Using Gaussian Processes and Variational Integrators [62.31425348954686]
  本稿では,機械系の古典力学に対する変分積分器と,ガウス過程の回帰による残留力学の学習の組み合わせを提案する。 我々は、既知のキネマティック制約を持つシステムへのアプローチを拡張し、予測の不確実性に関する公式な境界を提供する。
  論文  参考訳（メタデータ） (2021-12-10T11:09:29Z)
• Structure-preserving Sparse Identification of Nonlinear Dynamics for Data-driven Modeling [0.0]
  本稿では,SINDy(Sparse Identification of Dynamics)形式とニューラル常微分方程式の結合について述べる。 結果として得られるフレームワークは、"ブラックボックス"のダイナミクスの学習と、可逆的および不可逆的両方のダイナミクスのためのブラケット形式を保存する構造学の学習を可能にする。
  論文  参考訳（メタデータ） (2021-09-11T20:32:10Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)
• Bayesian differential programming for robust systems identification under uncertainty [14.169588600819546]
  本稿では,非線形力学系のノイズ,スパース,不規則な観測からベイズ系を同定する機械学習フレームワークを提案する。 提案手法は、微分可能プログラミングの最近の発展を利用して、通常の微分方程式解法を用いて勾配情報を伝播する。 スパーシティプロモーティングプリエントを用いることで、下層の潜在力学に対する解釈可能かつ同義的な表現の発見が可能になる。
  論文  参考訳（メタデータ） (2020-04-15T00:51:14Z)
• On dissipative symplectic integration with applications to gradient-based optimization [77.34726150561087]
  本稿では,離散化を体系的に実現する幾何学的枠組みを提案する。 我々は、シンプレクティックな非保守的、特に散逸的なハミルトン系への一般化が、制御された誤差まで収束率を維持することができることを示す。
  論文  参考訳（メタデータ） (2020-04-15T00:36:49Z)
• Structure-preserving neural networks [0.08209843760716957]
  フィードフォワードニューラルネットワークを用いたデータから物理系を学習する手法を開発した。 この方法は、散逸性ハミルトニアン系の緯度構造を強制することによって、最小限のデータを使用する。
  論文  参考訳（メタデータ） (2020-04-09T16:41:20Z)

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。