Fugu-MT 論文翻訳(概要): Discovering Sparse Interpretable Dynamics from Partial Observations

論文の概要: Discovering Sparse Interpretable Dynamics from Partial Observations

arxiv url: http://arxiv.org/abs/2107.10879v1
Date: Thu, 22 Jul 2021 18:23:23 GMT
ステータス: 処理完了
システム内更新日: 2021-07-27 01:38:29.103111
Title: Discovering Sparse Interpretable Dynamics from Partial Observations
Title（参考訳）: 部分観測によるスパース解釈力学の発見
Authors: Peter Y. Lu, Joan Ari\~no, Marin Solja\v{c}i\'c
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Identifying the governing equations of a nonlinear dynamical system is key to both understanding the physical features of the system and constructing an accurate model of the dynamics that generalizes well beyond the available data. We propose a machine learning framework for discovering these governing equations using only partial observations, combining an encoder for state reconstruction with a sparse symbolic model. Our tests show that this method can successfully reconstruct the full system state and identify the underlying dynamics for a variety of ODE and PDE systems.
Abstract（参考訳）: 非線形力学系の制御方程式を同定することは、システムの物理的特徴を理解することと、利用可能なデータを超えてよく一般化された力学の正確なモデルを構築するために重要である。状態再構成のためのエンコーダをスパースシンボルモデルと組み合わせ,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機械学習フレームワークを提案する。実験の結果,本手法はシステム全体の再構築に成功し,様々なODEおよびPDEシステムの基盤となるダイナミクスを同定できることがわかった。

関連論文リスト

Discovering Governing equations from Graph-Structured Data by Sparse Identification of Nonlinear Dynamical Systems [0.27624021966289597]
グラフ構造化データ(SINDyG)から動的システムのスパース同定法を開発した。 SINDyGは、ネットワーク構造をスパースレグレッションに組み込んで、基礎となるネットワーク力学を説明するモデルパラメータを識別する。
論文参考訳（メタデータ） (2024-09-02T17:51:37Z)
Learning Governing Equations of Unobserved States in Dynamical Systems [0.0]
我々は、部分的に観測された力学系の制御方程式を学習するために、ハイブリッドニューラルネットワークODE構造を用いる。本手法は, 観測されていない状態の真の支配方程式の学習に有効であることを示す。
論文参考訳（メタデータ） (2024-04-29T10:28:14Z)
Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文参考訳（メタデータ） (2023-10-10T13:23:05Z)
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)
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)
Constructing Neural Network-Based Models for Simulating Dynamical Systems [59.0861954179401]
データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
論文参考訳（メタデータ） (2021-11-02T10:51:42Z)
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)
Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
論文参考訳（メタデータ） (2021-02-15T19:56:48Z)
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)
Symplectic ODE-Net: Learning Hamiltonian Dynamics with Control [14.24939133094439]
物理系の力学を推論できるディープラーニングフレームワークであるSymlectic ODE-Net(SymODEN)を紹介する。特に、ハミルトン力学を制御して、基礎となる力学を透過的に学習する。このフレームワークは、物理的システムに対して解釈可能で物理的に一貫性のあるモデルを提供することで、モデルベースの制御戦略を合成する新たな可能性を開く。
論文参考訳（メタデータ） (2019-09-26T13:13:16Z)

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。