論文の概要: Machine Learning for Discovering Effective Interaction Kernels between
Celestial Bodies from Ephemerides
- arxiv url: http://arxiv.org/abs/2108.11894v1
- Date: Thu, 26 Aug 2021 16:30:59 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-27 14:08:33.701019
- Title: Machine Learning for Discovering Effective Interaction Kernels between
Celestial Bodies from Ephemerides
- Title（参考訳）: エフェメライドから天体間の効果的な相互作用核を発見するための機械学習
- Authors: Ming Zhong, Jason Miller, Mauro Maggioni
- Abstract要約: 我々は、データ駆動学習アプローチを用いて、太陽系の天体の運動の安定的で正確なモデルを導出する。
太陽系の主要天体を相互に相互作用する物質としてモデル化することで、我々の学習モデルは極めて正確なダイナミクスを生成する。
我々のモデルは、特に火星、水星、月の近日点沈み込みを再現するという点において、観測データに対する統一的な説明を提供することができる。
- 参考スコア（独自算出の注目度）: 10.77689830299308
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Building accurate and predictive models of the underlying mechanisms of
celestial motion has inspired fundamental developments in theoretical physics.
Candidate theories seek to explain observations and predict future positions of
planets, stars, and other astronomical bodies as faithfully as possible. We use
a data-driven learning approach, extending that developed in Lu et al. ($2019$)
and extended in Zhong et al. ($2020$), to a derive stable and accurate model
for the motion of celestial bodies in our Solar System. Our model is based on a
collective dynamics framework, and is learned from the NASA Jet Propulsion
Lab's development ephemerides. By modeling the major astronomical bodies in the
Solar System as pairwise interacting agents, our learned model generate
extremely accurate dynamics that preserve not only intrinsic geometric
properties of the orbits, but also highly sensitive features of the dynamics,
such as perihelion precession rates. Our learned model can provide a unified
explanation to the observation data, especially in terms of reproducing the
perihelion precession of Mars, Mercury, and the Moon. Moreover, Our model
outperforms Newton's Law of Universal Gravitation in all cases and performs
similarly to, and exceeds on the Moon, the Einstein-Infeld-Hoffman equations
derived from Einstein's theory of general relativity.
- Abstract（参考訳）: 天体運動の基礎となるメカニズムの正確な予測モデルの構築は、理論物理学の基本的な発展に影響を与えている。
候補となる理論は、惑星、恒星、その他の天体の観測と将来の位置をできるだけ忠実に予測しようとするものである。
Luなどで開発されたデータ駆動学習アプローチを採用しています。
価格は2019$)で、zhongらにも拡大されている。
2020ドルは、太陽系の天体の動きの安定的で正確なモデルである。
我々のモデルは集団動力学の枠組みに基づいており、nasaジェット推進研究所の開発エフェメライドから学んでいる。
太陽系の主要天体を相互に相互作用する物質としてモデル化することにより、我々の学習モデルは、軌道の固有幾何学的性質だけでなく、近日点の沈降率などの力学の高感度な特徴を保った極めて正確なダイナミクスを生成する。
我々の学習したモデルは、特に火星、水星、月の近日点を再現するという点で、観測データに統一的な説明を与えることができる。
さらに、このモデルはニュートンの普遍重力の法則よりも優れており、アインシュタインの一般相対性理論から導かれたアインシュタイン・インフェルト・ホフマン方程式と同様に、月上でも作用する。
関連論文リスト
- Using Galaxy Evolution as Source of Physics-Based Ground Truth for Generative Models [0.9701233658865522]
我々は条件付き拡散軸確率モデル(DDPM)と条件付き変分オートエンコーダ(CVAE)を構築する。
これは、これらの生成モデルを物理的に動機付けられたメトリクスを用いて探索する最初の研究の1つである。
どちらのモデルも、人間の評価に基づいて、同等の現実的な銀河を生成することが分かっていますが、我々の物理学に基づくメトリクスは、生成モデルの強みと弱みをよりよく識別することができます。
論文 参考訳（メタデータ） (2024-07-09T21:01:08Z) - LLM and Simulation as Bilevel Optimizers: A New Paradigm to Advance Physical Scientific Discovery [141.39722070734737]
本稿では,大規模言語モデルの知識駆動型抽象推論能力をシミュレーションの計算力で強化することを提案する。
本稿では,2段階最適化フレームワークであるSGA(Scientific Generative Agent)を紹介する。
法発見と分子設計における枠組みの有効性を実証するための実験を行った。
論文 参考訳（メタデータ） (2024-05-16T03:04:10Z) - Predictive World Models from Real-World Partial Observations [66.80340484148931]
本研究では,現実の道路環境に対する確率論的予測世界モデル学習のためのフレームワークを提案する。
従来の手法では、学習のための基礎的真理として完全状態を必要とするが、HVAEが部分的に観察された状態のみから完全状態を予測することを学べる新しい逐次訓練法を提案する。
論文 参考訳（メタデータ） (2023-01-12T02:07:26Z) - Deep Learning for Space Weather Prediction: Bridging the Gap between
Heliophysics Data and Theory [3.5597536699796795]
深層学習技術は、予測的に強力な宇宙天気モデルの新しいクラスを創出する。
我々はNASAに、これらの進歩を活かすのに必要な研究とインフラに投資するよう求めた。
論文 参考訳（メタデータ） (2022-12-27T00:30:39Z) - Astronomia ex machina: a history, primer, and outlook on neural networks
in astronomy [0.0]
我々は天文学における接続性の進化をその3つの波で追跡した。
我々は、天文学的な応用のために微調整されたGPTライクな基礎モデルの採用を論じる。
論文 参考訳（メタデータ） (2022-11-07T19:00:00Z) - Data-driven discovery of non-Newtonian astronomy via learning
non-Euclidean Hamiltonian [23.309368900269565]
非ニュートン天文学のデータ駆動による発見法を提案する。
予備的な結果は,これらの特性がトレーニングの安定性と予測精度において重要であることを示している。
論文 参考訳（メタデータ） (2022-09-30T20:59:42Z) - Rediscovering orbital mechanics with machine learning [1.2999518604217852]
私たちは、30年間の軌道データから、太陽系の太陽、惑星、そして大きな衛星のダイナミクスをシミュレートするために「グラフニューラルネットワーク」を訓練します。
次に,ニューラルネットワークによって暗黙的に学習された力法則の解析式を発見するために,記号回帰を用いた。
論文 参考訳（メタデータ） (2022-02-04T18:44:21Z) - The problem of engines in statistical physics [62.997667081978825]
エンジンは、外部の不均衡を犠牲にして、仕事を循環的に生成できるオープンシステムである。
オープン量子系の理論の最近の進歩は、自律エンジンのより現実的な記述を示している。
運動方程式に外部荷重力と熱雑音を組み込む方法を示す。
論文 参考訳（メタデータ） (2021-08-17T03:59:09Z) - GEM: Group Enhanced Model for Learning Dynamical Control Systems [78.56159072162103]
サンプルベースの学習が可能な効果的なダイナミクスモデルを構築します。
リー代数ベクトル空間上のダイナミクスの学習は、直接状態遷移モデルを学ぶよりも効果的であることを示す。
この研究は、ダイナミクスの学習とリー群の性質の関連性を明らかにし、新たな研究の方向への扉を開く。
論文 参考訳（メタデータ） (2021-04-07T01:08:18Z) - Physics-Integrated Variational Autoencoders for Robust and Interpretable
Generative Modeling [86.9726984929758]
我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。
本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。
合成および実世界のデータセットの集合に対して生成的性能改善を示す。
論文 参考訳（メタデータ） (2021-02-25T20:28:52Z) - Bayesian Neural Networks for Fast SUSY Predictions [58.720142291102135]
本稿では,機械学習を用いて,BSM理論のパラメータ空間から予測へのマッピングをモデル化する。
3つの量はすべて平均パーセントの誤差3.34%以下でモデル化され、結果が導出される超対称性符号よりもはるかに短い時間でモデル化される。
結果は、機械学習がBSM理論の高次元空間から予測へのマッピングを正確にモデル化する可能性のさらなる実証である。
論文 参考訳（メタデータ） (2020-07-09T01:45:06Z)
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。