Fugu-MT 論文翻訳(概要): Differentiable Programming of Reaction-Diffusion Patterns

論文の概要: Differentiable Programming of Reaction-Diffusion Patterns

arxiv url: http://arxiv.org/abs/2107.06862v1
Date: Tue, 22 Jun 2021 17:38:34 GMT
ステータス: 処理完了
システム内更新日: 2021-07-18 12:20:23.293360
Title: Differentiable Programming of Reaction-Diffusion Patterns
Title（参考訳）: 反応拡散パターンの微分プログラミング
Authors: Alexander Mordvintsev, Ettore Randazzo, Eyvind Niklasson
Abstract要約: 2次元平面上で実例に基づくテクスチャ合成を行うために,RDシステムパラメータを学習するための微分可能な最適化手法を提案する。我々は、RDシステムをニューラルセルオートマタの変種として表現し、タスク固有の微分可微分損失関数を用いてこれを行う。
参考スコア（独自算出の注目度）: 64.70093734012121
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Reaction-Diffusion (RD) systems provide a computational framework that governs many pattern formation processes in nature. Current RD system design practices boil down to trial-and-error parameter search. We propose a differentiable optimization method for learning the RD system parameters to perform example-based texture synthesis on a 2D plane. We do this by representing the RD system as a variant of Neural Cellular Automata and using task-specific differentiable loss functions. RD systems generated by our method exhibit robust, non-trivial 'life-like' behavior.
Abstract（参考訳）: 反応拡散(RD)システムは、自然界における多くのパターン形成プロセスを管理する計算フレームワークを提供する。現在のrdシステム設計プラクティスは、試行錯誤パラメータ検索に波及する。 2次元平面上で実例に基づくテクスチャ合成を行うために,RDシステムパラメータを学習するための微分可能な最適化手法を提案する。我々は、RDシステムをニューラルセルオートマタの変種として表現し、タスク固有の微分可微分損失関数を使用する。本手法により生成されたRDシステムは, 頑健で, 非自明な「ライフライク」な挙動を示す。

関連論文リスト

Generative Learning of the Solution of Parametric Partial Differential Equations Using Guided Diffusion Models and Virtual Observations [4.798951413107239]
本研究では,高次元パラメトリックシステムをモデル化するための生成学習フレームワークを提案する。我々は,部分微分方程式(PDE)で記述されたシステムについて,構造的あるいは非構造的グリッドで識別する。
論文参考訳（メタデータ） (2024-07-31T20:52:33Z)
On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
論文参考訳（メタデータ） (2024-05-18T15:59:41Z)
Learning minimal representations of stochastic processes with variational autoencoders [52.99137594502433]
プロセスを記述するのに必要なパラメータの最小セットを決定するために、教師なしの機械学習アプローチを導入する。我々の手法はプロセスを記述する未知のパラメータの自律的な発見を可能にする。
論文参考訳（メタデータ） (2023-07-21T14:25:06Z)
A Constructive Approach to Function Realization by Neural Stochastic Differential Equations [8.04975023021212]
システム力学における構造的制約を導入し、そのようなシステムで実現可能な関数のクラスを特徴付ける。これらのシステムは、ニューラル微分方程式(ニューラルSDE)、決定論的力学系、読み出しマップのカスケード相互接続として実装される。
論文参考訳（メタデータ） (2023-07-01T03:44:46Z)
Parameter Identification for Partial Differential Equations with Spatiotemporal Varying Coefficients [5.373009527854677]
種々の偏微分方程式によって制御される多状態系のパラメータ同定を容易にする枠組みを提案する。我々のフレームワークは、制約付き自己適応型ニューラルネットワークと、サブネットワーク物理インフォームドニューラルネットワークの2つの統合コンポーネントで構成されている。我々は,時間変化パラメータを持つ1次元バーガースの場合と空間変化パラメータを持つ2次元波動方程式の2つの数値ケースにおいて,本フレームワークの有効性を実証した。
論文参考訳（メタデータ） (2023-06-30T07:17:19Z)
Learning the Delay Using Neural Delay Differential Equations [0.5505013339790825]
遅延微分方程式(DDE)に基づく連続時間ニューラルネットワークアプローチを開発する。我々のモデルは随伴感度法を用いてモデルパラメータを学習し、データから直接遅延する。我々は今後の方向性と応用について議論をまとめる。
論文参考訳（メタデータ） (2023-04-03T19:50:36Z)
Design of Turing Systems with Physics-Informed Neural Networks [0.0]
反応拡散系の重要なパラメータを推論する手段として,物理インフォームドニューラルネットワークの利用について検討する。提案手法は,10%未満の誤差で,異なるパターンモードや型に対してパラメータを推論できることを示す。
論文参考訳（メタデータ） (2022-11-24T08:01:22Z)
RISP: Rendering-Invariant State Predictor with Differentiable Simulation and Rendering for Cross-Domain Parameter Estimation [110.4255414234771]
既存のソリューションでは、大量のトレーニングデータが必要か、未知のレンダリング設定への一般化性が欠如している。本稿では、ドメインのランダム化と微分可能なレンダリング勾配を併用してこの問題に対処する手法を提案する。提案手法は, 再構成誤差を大幅に低減し, 未知のレンダリング構成間の一般化性が向上する。
論文参考訳（メタデータ） (2022-05-11T17:59:51Z)
Learning Linearized Assignment Flows for Image Labeling [70.540936204654]
画像ラベリングのための線形化代入フローの最適パラメータを推定するための新しいアルゴリズムを提案する。この式をKrylov部分空間と低ランク近似を用いて効率的に評価する方法を示す。
論文参考訳（メタデータ） (2021-08-02T13:38:09Z)
Ensemble and Random Collaborative Representation-Based Anomaly Detector for Hyperspectral Imagery [133.83048723991462]
ハイパースペクトル異常検出(HAD)のための新しいアンサンブルおよびランダム共同表現型検出器(ERCRD)を提案する。 4つの実超スペクトルデータセットを用いた実験により,提案手法の精度と効率を10段階法と比較した。
論文参考訳（メタデータ） (2021-01-06T11:23:51Z)

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。