論文の概要: A simple equivariant machine learning method for dynamics based on scalars

• arxiv url: http://arxiv.org/abs/2110.03761v2
• Date: Mon, 11 Oct 2021 14:56:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-12 11:40:27.914082
• Title: A simple equivariant machine learning method for dynamics based on scalars
• Title（参考訳）: スカラーに基づくダイナミクスの簡易同変機械学習法
• Authors: Weichi Yao and Kate Storey-Fisher and David W. Hogg and Soledad Villar
• Abstract要約: 提案手法は,物理系の特性を対称性で学習するための最先端手法よりも優れていることを示す。 本手法には基本対称性が組み込まれているため,システム内の力法則の変化など,異なる設定に一般化されることが期待できる。
• 参考スコア（独自算出の注目度）: 7.224406794844708
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physical systems obey strict symmetry principles. We expect that machine learning methods that intrinsically respect these symmetries should perform better than those that do not. In this work we implement a principled model based on invariant scalars, and release open-source code. We apply this \textsl{Scalars} method to a simple chaotic dynamical system, the springy double pendulum. We show that the Scalars method outperforms state-of-the-art approaches for learning the properties of physical systems with symmetries, both in terms of accuracy and speed. Because the method incorporates the fundamental symmetries, we expect it to generalize to different settings, such as changes in the force laws in the system.
• Abstract（参考訳）: 物理システムは厳密な対称性原理に従う。 これらの対称性を本質的に尊重する機械学習手法は、そうでないものよりも優れたパフォーマンスを期待する。 この作業では、不変スカラーに基づく原則モデルを実装し、オープンソースコードをリリースします。 この \textsl{scalars} 法を単純なカオス力学系であるバネイ二重振り子に適用する。 提案手法は,物理系の特性を対称性で学習するために,精度と速度の両面で,最先端の手法よりも優れていることを示す。 本手法には基本対称性が組み込まれているため,システム内の力法則の変化など,異なる設定に一般化されることが期待できる。

関連論文リスト

• Noether's razor: Learning Conserved Quantities [16.81984465529089]
  我々は対称性を学習可能な保存量としてパラメータ化する。 次に、保存された量と関連する対称性を直接列車データから学ぶことを許す。 この手法は正しい保存量と U($n$) および SE($n$) 対称性群を正しく同定する。
  論文  参考訳（メタデータ） (2024-10-10T16:29:49Z)
• Symmetry-Informed Governing Equation Discovery [29.16110821783827]
  本稿では,自動方程式探索における対称性を活用して,方程式探索空間を圧縮し,学習方程式の精度と簡易性を向上させることを提案する。 提案手法は,ノイズに対するロバスト性の向上を実証し,対称性のないベースラインよりも極めて高い確率で支配方程式を復元する。
  論文  参考訳（メタデータ） (2024-05-27T01:58:23Z)
• Exploiting Symmetry in Dynamics for Model-Based Reinforcement Learning with Asymmetric Rewards [0.6612847014373572]
  本稿では,特定の対称性を示すダイナミックスを学習する手法を提案する。 数値実験により,提案手法はより正確な力学モデルを学習することを示した。
  論文  参考訳（メタデータ） (2024-03-27T21:31:46Z)
• SimLM: Can Language Models Infer Parameters of Physical Systems? [56.38608628187024]
  物理系におけるパラメータ推論におけるLarge Language Models (LLM) の性能について検討する。 実験の結果,単純なシステムであっても,本課題には適していないことが示唆された。 物理シミュレータを用いてLLMのコンテキストを拡大する探索の有望な方向を提案する。
  論文  参考訳（メタデータ） (2023-12-21T12:05:19Z)
• Finding discrete symmetry groups via Machine Learning [0.0]
  物理系における離散対称性群を自動的に発見できる機械学習手法を提案する。 この方法は、システムの物理的性質を保存するパラメータ変換の有限集合を特定する。
  論文  参考訳（メタデータ） (2023-07-25T12:37:46Z)
• Regularizing Towards Soft Equivariance Under Mixed Symmetries [23.603875905608565]
  混合近似対称性を持つデータセットのモデルを構築するための正規化器に基づく手法を提案する。 提案手法は,近似対称性のレベルを正確に発見しながら,従来の手法よりも精度が高いことを示す。
  論文  参考訳（メタデータ） (2023-06-01T05:33:41Z)
• Evaluating the Robustness of Interpretability Methods through Explanation Invariance and Equivariance [72.50214227616728]
  解釈可能性法は、それらの説明が説明されたモデルを忠実に記述した場合にのみ有用である。 特定の対称性群の下で予測が不変であるニューラルネットワークを考える。
  論文  参考訳（メタデータ） (2023-04-13T17:59:03Z)
• Deep Learning Symmetries and Their Lie Groups, Algebras, and Subalgebras from First Principles [55.41644538483948]
  ラベル付きデータセットに存在する連続した対称性群の検出と同定のためのディープラーニングアルゴリズムを設計する。 完全に接続されたニューラルネットワークを用いて、変換対称性と対応するジェネレータをモデル化する。 また,Lie群とその性質の数学的研究に機械学習アプローチを使うための扉を開く。
  論文  参考訳（メタデータ） (2023-01-13T16:25:25Z)
• 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)
• Meta-Learning Symmetries by Reparameterization [63.85144439337671]
  データから対応するパラメータ共有パターンを学習し、等価性をネットワークに学習し、符号化する手法を提案する。 本実験は,画像処理タスクで使用される共通変換に等価性をエンコードして自動的に学習できることを示唆する。
  論文  参考訳（メタデータ） (2020-07-06T17:59:54Z)
• Euclideanizing Flows: Diffeomorphic Reduction for Learning Stable Dynamical Systems [74.80320120264459]
  本研究では、限られた数の人間の実演からそのような動きを学ぶためのアプローチを提案する。 複素運動は安定な力学系のロールアウトとして符号化される。 このアプローチの有効性は、確立されたベンチマーク上での検証と、現実世界のロボットシステム上で収集されたデモによって実証される。
  論文  参考訳（メタデータ） (2020-05-27T03:51:57Z)

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。