論文の概要: Constructing Neural Network-Based Models for Simulating Dynamical Systems

• arxiv url: http://arxiv.org/abs/2111.01495v1
• Date: Tue, 2 Nov 2021 10:51:42 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-03 14:01:26.848191
• Title: Constructing Neural Network-Based Models for Simulating Dynamical Systems
• Title（参考訳）: 力学系をシミュレートするニューラルネットワークモデルの構築
• Authors: Christian M{\o}ldrup Legaard, Thomas Schranz, Gerald Schweiger, J\'an Drgo\v{n}a, Basak Falay, Cl\'audio Gomes, Alexandros Iosifidis, Mahdi Abkar, Peter Gorm Larsen
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 59.0861954179401
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dynamical systems see widespread use in natural sciences like physics, biology, chemistry, as well as engineering disciplines such as circuit analysis, computational fluid dynamics, and control. For simple systems, the differential equations governing the dynamics can be derived by applying fundamental physical laws. However, for more complex systems, this approach becomes exceedingly difficult. Data-driven modeling is an alternative paradigm that seeks to learn an approximation of the dynamics of a system using observations of the true system. In recent years, there has been an increased interest in data-driven modeling techniques, in particular neural networks have proven to provide an effective framework for solving a wide range of tasks. This paper provides a survey of the different ways to construct models of dynamical systems using neural networks. In addition to the basic overview, we review the related literature and outline the most significant challenges from numerical simulations that this modeling paradigm must overcome. Based on the reviewed literature and identified challenges, we provide a discussion on promising research areas.
• Abstract（参考訳）: 力学系は、物理、生物学、化学などの自然科学や、回路解析、計算流体力学、制御といった工学分野に広く用いられている。 単純な系の場合、微分方程式は基本的な物理法則を適用することで導出することができる。 しかし、より複雑なシステムでは、このアプローチは非常に困難になる。 データ駆動モデリングは、真のシステムの観察を用いてシステムのダイナミクスの近似を学ぶための別のパラダイムである。 近年、データ駆動モデリング技術への関心が高まっており、特にニューラルネットワークは幅広いタスクを解決するための効果的なフレームワークを提供することが証明されている。 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。 基礎的な概観に加えて,関連する文献を概観し,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の最も重要な課題を概説する。 レビューした文献と特定課題に基づき,有望な研究分野に関する議論を行う。

関連論文リスト

• Multi-Objective Physics-Guided Recurrent Neural Networks for Identifying Non-Autonomous Dynamical Systems [0.0]
  制御対象の非自律系をモデル化するための物理誘導型ハイブリッド手法を提案する。 これはリカレントニューラルネットワークによって拡張され、洗練された多目的戦略を使用してトレーニングされる。 実データを用いた実験により,物理モデルと比較して精度が大幅に向上した。
  論文  参考訳（メタデータ） (2022-04-27T14:33:02Z)
• 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)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• Neural Networks with Physics-Informed Architectures and Constraints for Dynamical Systems Modeling [19.399031618628864]
  軌道データから動的モデルを学ぶためのフレームワークを開発する。 出力の値とモデルの内部状態に制約を課す。 様々な力学系に対する提案手法の利点を実験的に実証した。
  論文  参考訳（メタデータ） (2021-09-14T02:47:51Z)
• 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)
• LQResNet: A Deep Neural Network Architecture for Learning Dynamic Processes [9.36739413306697]
  データ駆動型アプローチ、すなわちオペレータ推論フレームワークは、動的プロセスをモデル化する。 演算子推論と特定のディープニューラルネットワークアプローチを組み合わせることで、システムの未知の非線形ダイナミクスを推定することを提案する。
  論文  参考訳（メタデータ） (2021-03-03T08:19:43Z)
• Model-Based Deep Learning [155.063817656602]
  信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。 ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。 私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
  論文  参考訳（メタデータ） (2020-12-15T16:29:49Z)
• Modeling System Dynamics with Physics-Informed Neural Networks Based on Lagrangian Mechanics [3.214927790437842]
  第一原則の手法は高いバイアスに悩まされるが、データ駆動モデリングは高いばらつきを持つ傾向がある。 本稿では,2つのモデリング手法を組み合わせて上記の問題を解くハイブリッドモデルであるPINODEについて述べる。 本研究の目的は,機械系のモデルベース制御とシステム同定である。
  論文  参考訳（メタデータ） (2020-05-29T15:10:43Z)
• Physics-based polynomial neural networks for one-shot learning of dynamical systems from one or a few samples [0.0]
  本論文は, 単純な振り子と世界最大規模のX線源の双方について, 実測結果について述べる。 提案手法により, ノイズ, 制限, 部分的な観測から複雑な物理を復元することができることが実証された。
  論文  参考訳（メタデータ） (2020-05-24T09:27:10Z)
• Learning Stable Deep Dynamics Models [91.90131512825504]
  状態空間全体にわたって安定することが保証される力学系を学習するためのアプローチを提案する。 このような学習システムは、単純な力学系をモデル化することができ、複雑な力学を学習するために追加の深層生成モデルと組み合わせることができることを示す。
  論文  参考訳（メタデータ） (2020-01-17T00:04:45Z)

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。