論文の概要: Inferring the Structure of Ordinary Differential Equations

• arxiv url: http://arxiv.org/abs/2107.07345v1
• Date: Mon, 5 Jul 2021 07:55:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-18 12:30:20.141251
• Title: Inferring the Structure of Ordinary Differential Equations
• Title（参考訳）: 常微分方程式の構造を推測する
• Authors: Juliane Weilbach, Sebastian Gerwinn, Christian Weilbach and Melih Kandemir
• Abstract要約: 我々は,AIFeynman(Udrescu et al., 2020)と呼ばれるアプローチを動的設定に拡張し,ODEシステム上でシンボリックレグレッションを実行する。 この拡張を、複雑性を増大させる基底的真理方程式が利用できるいくつかの力学系において経験的に象徴的回帰に対する最先端のアプローチと比較する。
• 参考スコア（独自算出の注目度）: 12.202646598683888
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding physical phenomena oftentimes means understanding the underlying dynamical system that governs observational measurements. While accurate prediction can be achieved with black box systems, they often lack interpretability and are less amenable for further expert investigation. Alternatively, the dynamics can be analysed via symbolic regression. In this paper, we extend the approach by (Udrescu et al., 2020) called AIFeynman to the dynamic setting to perform symbolic regression on ODE systems based on observations from the resulting trajectories. We compare this extension to state-of-the-art approaches for symbolic regression empirically on several dynamical systems for which the ground truth equations of increasing complexity are available. Although the proposed approach performs best on this benchmark, we observed difficulties of all the compared symbolic regression approaches on more complex systems, such as Cart-Pole.
• Abstract（参考訳）: 物理現象を理解することは、しばしば観測測定を管理する基礎となる力学系を理解することを意味する。 ブラックボックスシステムでは正確な予測が可能であるが、解釈可能性に欠けることが多く、さらなる専門家による調査には適さない。 あるいは、ダイナミクスはシンボリック回帰によって分析することができる。 本稿では,aifeynmanと呼ばれる(udrescu et al., 2020)アプローチを動的設定に拡張し,得られた軌道からの観測に基づいてodeシステム上で記号回帰を行う。 この拡張を,複雑性が増大する基底真理方程式が利用できる数種類の力学系上で経験論的に記号回帰を行うための最先端のアプローチと比較する。 提案手法は,このベンチマークで最適に機能するが,カートポールなどより複雑なシステムでは,すべての比較記号回帰アプローチが困難であることがわかった。

関連論文リスト

• Response Theory via Generative Score Modeling [0.0]
  スコアベース生成モデルとGFDT(Generalized Fluctuation-Dissipation Theorem)を組み合わせた外部摂動に対する動的システムの応答解析手法を提案する。 この手法は,非ガウス統計を含むシステム応答の正確な推定を可能にする。
  論文  参考訳（メタデータ） (2024-02-01T21:38:10Z)
• Deep Generative Symbolic Regression [83.04219479605801]
  記号回帰は、データから簡潔な閉形式数学的方程式を発見することを目的としている。 既存の手法は、探索から強化学習まで、入力変数の数に応じてスケールできない。 本稿では,我々のフレームワークであるDeep Generative Symbolic Regressionのインスタンス化を提案する。
  論文  参考訳（メタデータ） (2023-12-30T17:05:31Z)
• AI-Lorenz: A physics-data-driven framework for black-box and gray-box identification of chaotic systems with symbolic regression [2.07180164747172]
  複雑な動的挙動をモデル化した数学的表現を学習するフレームワークを開発する。 私たちは、システムのダイナミクス、時間の変化率、モデル用語の欠如を学ぶために、小さなニューラルネットワークをトレーニングします。 これにより、動的挙動の将来的な進化を予測することができる。
  論文  参考訳（メタデータ） (2023-12-21T18:58:41Z)
• Exploring Complex Dynamical Systems via Nonconvex Optimization [0.0]
  我々は、機械学習のツールを用いた代替の最適化駆動アプローチを提案する。 本稿では, 複雑な化学反応ネットワークを組み込んだ, 完全最適化可能な反応拡散モデルに適用する。 これにより、パターン形成、散逸を最大化する非平衡状態、複製のような動的構造を含む、新しい状態と振舞いを体系的に同定することができる。
  論文  参考訳（メタデータ） (2023-01-03T01:35:39Z)
• Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
  本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。 静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
  論文  参考訳（メタデータ） (2022-02-25T20:00:56Z)
• 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)
• Supervised DKRC with Images for Offline System Identification [77.34726150561087]
  現代の力学系はますます非線形で複雑なものになりつつある。 予測と制御のためのコンパクトで包括的な表現でこれらのシステムをモデル化するフレームワークが必要である。 本手法は,教師付き学習手法を用いてこれらの基礎関数を学習する。
  論文  参考訳（メタデータ） (2021-09-06T04:39:06Z)
• DySMHO: Data-Driven Discovery of Governing Equations for Dynamical Systems via Moving Horizon Optimization [77.34726150561087]
  本稿では,スケーラブルな機械学習フレームワークである移動水平最適化(DySMHO)による動的システムの発見について紹介する。 DySMHOは、基底関数の大きな辞書から基礎となる支配方程式を逐次学習する。 標準非線形力学系の例は、DySMHOが規則を正確に回復できることを示すために用いられる。
  論文  参考訳（メタデータ） (2021-07-30T20:35:03Z)
• Discovering Sparse Interpretable Dynamics from Partial Observations [0.0]
  部分的な観測のみを用いてこれらの支配方程式を発見するための機械学習フレームワークを提案する。 本手法がシステム全体の再構築に有効であることを示す。
  論文  参考訳（メタデータ） (2021-07-22T18:23:23Z)
• 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)
• Variational Deep Learning for the Identification and Reconstruction of Chaotic and Stochastic Dynamical Systems from Noisy and Partial Observations [15.82296284460491]
  支配方程式の同定は、ノイズや部分的な観測を扱う際には依然として困難である。 提案するフレームワークでは,システムの真の状態を再構築するための推論モデルが学習される。 このフレームワークは、古典的なデータ同化と最先端の機械学習技術をブリッジする。
  論文  参考訳（メタデータ） (2020-09-04T16:48:00Z)

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。