論文の概要: Attaining entropy production and dissipation maps from Brownian movies
via neural networks
- arxiv url: http://arxiv.org/abs/2106.15108v1
- Date: Tue, 29 Jun 2021 05:45:13 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-30 15:16:25.057513
- Title: Attaining entropy production and dissipation maps from Brownian movies
via neural networks
- Title（参考訳）: ニューラルネットワークによるブラウン映画からのエントロピー生成と散逸マップの実現
- Authors: Youngkyoung Bae, Dong-Kyum Kim, Hawoong Jeong
- Abstract要約: エントロピー生成の定量化(EP)は、メソスコピックスケールのシステムを理解するために不可欠である。
本研究では,映画からのみ計算する教師なし学習アルゴリズムを用いてEPの推定手法を開発した。
本手法はEPを正確に測定し,2つの非平衡系における散逸マップを作成する。
- 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: Quantifying entropy production (EP) is essential to understand stochastic
systems at mesoscopic scales, such as living organisms or biological
assemblies. However, without tracking the relevant variables, it is challenging
to figure out where and to what extent EP occurs from recorded time-series
image data from experiments. Here, applying a convolutional neural network
(CNN), a powerful tool for image processing, we develop an estimation method
for EP through an unsupervised learning algorithm that calculates only from
movies. Together with an attention map of the CNN's last layer, our method can
not only quantify stochastic EP but also produce the spatiotemporal pattern of
the EP (dissipation map). We show that our method accurately measures the EP
and creates a dissipation map in two nonequilibrium systems, the bead-spring
model and a network of elastic filaments. We further confirm high performance
even with noisy, low spatial resolution data, and partially observed
situations. Our method will provide a practical way to obtain dissipation maps
and ultimately contribute to uncovering the nonequilibrium nature of complex
systems.
- Abstract（参考訳）: エントロピー生成の定量化(EP)は、生物や生物集合体などのメソスコピックスケールの確率系を理解するために不可欠である。
しかし、関連する変数を追跡せずに、実験から記録された時系列画像データからEPがいつ、どの程度起こるかを知ることは困難である。
本稿では,画像処理のための強力なツールである畳み込みニューラルネットワーク(cnn)を用いて,映画からのみ計算する教師なし学習アルゴリズムによるepの推定手法を開発した。
CNNの最終層のアテンションマップとともに、我々の手法は確率EPの定量化だけでなく、EPの時空間パターン(散逸マップ)も生成できる。
本手法はEPを正確に測定し,2つの非平衡系,ビーズスプリングモデルと弾性フィラメントのネットワークで散逸マップを作成する。
さらにノイズや空間分解能の低いデータ,部分的に観察された状況でも高い性能を確認した。
本手法は, 散逸マップを得るための実用的な方法を提供し, 最終的に複素系の非平衡性を明らかにすることに寄与する。
関連論文リスト
- Neural Incremental Data Assimilation [8.817223931520381]
ニューラルネットワークによってパラメータ化された粗いガウス分布の列として物理系をモデル化する深層学習手法を提案する。
これにより、再構築エラーを最小限に抑えるためにエンドツーエンドで訓練された同化演算子を定義することができる。
本稿では,疎度観測によるカオス力学系へのアプローチについて述べるとともに,従来の変分データ同化法と比較する。
論文 参考訳（メタデータ） (2024-06-21T11:42:55Z) - Assessing Neural Network Representations During Training Using
Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。
データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。
本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
論文 参考訳（メタデータ） (2023-12-04T01:32:42Z) - Heterogenous Memory Augmented Neural Networks [84.29338268789684]
ニューラルネットワークのための新しいヘテロジニアスメモリ拡張手法を提案する。
学習可能なメモリトークンをアテンション機構付きで導入することにより、膨大な計算オーバーヘッドを伴わずに性能を効果的に向上させることができる。
In-distriion (ID) と Out-of-distriion (OOD) の両方の条件下での様々な画像およびグラフベースのタスクに対するアプローチを示す。
論文 参考訳（メタデータ） (2023-10-17T01:05:28Z) - Characterizing Exceptional Points Using Neural Networks [0.0]
非エルミート系における例外点(EP)を特徴付けるために、要約位相剛性(SPR)を導入する。
本稿では、SPRがトレーニングデータから完全に見つからない注文のEPを予測可能にする方法を示す。
本手法は,機械学習手法を用いてEPを自動で特徴付けるのに有用である。
論文 参考訳（メタデータ） (2023-05-01T11:39:03Z) - Holomorphic Equilibrium Propagation Computes Exact Gradients Through
Finite Size Oscillations [5.279475826661643]
平衡伝播(Equilibrium propagation、EP)は、深層ニューラルネットワークの局所学習規則によるトレーニングを可能にするバックプロパゲーション(BP)の代替である。
この拡張が有限振幅の教示信号に対しても自然に正確な勾配をもたらすことを示す。
我々は、ImageNet 32x32データセット上でEPの最初のベンチマークを確立し、BPでトレーニングされた等価ネットワークの性能と一致することを示す。
論文 参考訳（メタデータ） (2022-09-01T15:23:49Z) - DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG
Signals [62.997667081978825]
我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。
我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。
標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
論文 参考訳（メタデータ） (2021-12-08T13:07:21Z) - Estimating permeability of 3D micro-CT images by physics-informed CNNs
based on DNS [1.6274397329511197]
本稿では,地質岩のマイクロCTによる透水率予測手法を提案する。
透過性予測専用のCNNのためのトレーニングデータセットは、古典格子ボルツマン法(LBM)によって通常生成される透過性ラベルからなる。
その代わりに、定常ストークス方程式を効率的かつ分散並列に解き、直接数値シミュレーション(DNS)を行う。
論文 参考訳（メタデータ） (2021-09-04T08:43:19Z) - Continual Weight Updates and Convolutional Architectures for Equilibrium
Propagation [69.87491240509485]
Equilibrium Propagation (EP)は、ニューラルネットワークのトレーニングのためのバックプロパゲーション(BP)に対する生物学的にインスパイアされた代替アルゴリズムである。
本稿では,方程式の簡易化,学習の高速化,CNNへのEP拡張を可能にするEPの離散時間定式化を提案する。
我々のCNNモデルは、EPでMNISTで報告された最高のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2020-04-29T12:14:06Z) - Rectified Linear Postsynaptic Potential Function for Backpropagation in
Deep Spiking Neural Networks [55.0627904986664]
スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。
本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
論文 参考訳（メタデータ） (2020-03-26T11:13:07Z) - Learning entropy production via neural networks [0.10499611180329801]
このレターは、エントロピー生成のための神経推定器(NEEP)を示し、系力学の詳細な情報なしで関連する変数の軌跡からエントロピー生成(EP)を推定する。
定常状態の場合、深層ニューラルネットワークの異なる選択から構築できる推定器は、ここで提案する目的関数を最適化することによってEPを提供する。
論文 参考訳（メタデータ） (2020-03-09T14:23:36Z) - Targeted free energy estimation via learned mappings [66.20146549150475]
自由エネルギー摂動 (FEP) は60年以上前にズワンツィヒによって自由エネルギー差を推定する方法として提案された。
FEPは、分布間の十分な重複の必要性という厳しい制限に悩まされている。
目標自由エネルギー摂動(Targeted Free Energy Perturbation)と呼ばれるこの問題を緩和するための1つの戦略は、オーバーラップを増やすために構成空間の高次元マッピングを使用する。
論文 参考訳（メタデータ） (2020-02-12T11:10:00Z)
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。