論文の概要: Discovering State Variables Hidden in Experimental Data
- arxiv url: http://arxiv.org/abs/2112.10755v1
- Date: Mon, 20 Dec 2021 18:56:59 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-21 14:56:21.973221
- Title: Discovering State Variables Hidden in Experimental Data
- Title(参考訳): 実験データに隠れた状態変数の発見
- Authors: Boyuan Chen, Kuang Huang, Sunand Raghupathi, Ishaan Chandratreya,
Qiang Du, Hod Lipson
- Abstract要約: 観測されたシステムの状態変数の数を決定するための新しい原理を提案する。
様々な物理力学系の映像記録を用いて,本手法の有効性を実証する。
このアプローチは、ますます複雑なシステムの理解、予測、制御を促進するのに役立つと提案する。
- 参考スコア(独自算出の注目度): 11.045105131750713
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: All physical laws are described as relationships between state variables that
give a complete and non-redundant description of the relevant system dynamics.
However, despite the prevalence of computing power and AI, the process of
identifying the hidden state variables themselves has resisted automation. Most
data-driven methods for modeling physical phenomena still assume that observed
data streams already correspond to relevant state variables. A key challenge is
to identify the possible sets of state variables from scratch, given only
high-dimensional observational data. Here we propose a new principle for
determining how many state variables an observed system is likely to have, and
what these variables might be, directly from video streams. We demonstrate the
effectiveness of this approach using video recordings of a variety of physical
dynamical systems, ranging from elastic double pendulums to fire flames.
Without any prior knowledge of the underlying physics, our algorithm discovers
the intrinsic dimension of the observed dynamics and identifies candidate sets
of state variables. We suggest that this approach could help catalyze the
understanding, prediction and control of increasingly complex systems. Project
website is at: https://www.cs.columbia.edu/~bchen/neural-state-variables
- Abstract(参考訳): すべての物理法則は、関連する系力学の完全かつ非冗長な記述を与える状態変数間の関係として記述される。
しかし、コンピュータパワーとAIの普及にもかかわらず、隠れた状態変数を識別するプロセスは自動化に抵抗している。
物理現象をモデル化するためのデータ駆動手法の多くは、観測されたデータストリームが既に関連する状態変数に対応していると仮定している。
重要な課題は、高次元の観測データのみを与えられた状態変数のセットをスクラッチから識別することである。
本稿では,ビデオストリームから直接,観測されたシステムの状態変数の数と,その変数が何であるかを決定するための新しい原理を提案する。
本研究では, 弾性二重振り子から火炎まで, 様々な力学系の映像記録を用いて, この手法の有効性を実証する。
基礎となる物理の事前知識がなければ、我々のアルゴリズムは観測された力学の固有次元を発見し、状態変数の候補集合を同定する。
このアプローチは、ますます複雑なシステムの理解、予測、制御を促進するのに役立つと提案する。
プロジェクトウェブサイト https://www.cs.columbia.edu/~bchen/neural-state-variables
関連論文リスト
- OpenPI-C: A Better Benchmark and Stronger Baseline for Open-Vocabulary
State Tracking [55.62705574507595]
OpenPIは、オープン語彙状態トラッキング用に注釈付けされた唯一のデータセットである。
手順レベル,ステップレベル,状態変化レベルの3つの問題を分類する。
評価指標として,クラスタベースの計量法を提案する。
論文 参考訳(メタデータ) (2023-06-01T16:48:20Z) - Some of the variables, some of the parameters, some of the times, with
some physics known: Identification with partial information [0.0]
我々は数値積分法と$textita priori$物理知識に基づくニューラルネットワークアーキテクチャを利用する。
このようなニューラルネットワークモデルを反復することで、任意の時点にサンプリングされたデータから学習することができる。
これにより、未知の運動速度や微生物の成長関数を同時に予測しながら学習することができる。
論文 参考訳(メタデータ) (2023-04-27T14:21:05Z) - Learning State Transition Rules from Hidden Layers of Restricted
Boltzmann Machines [6.061244362532694]
本稿では,高次元時系列データから少数の必須隠れ変数を抽出する手法を提案する。
提案手法は,可視層における可観測データと隠蔽層における潜時特徴を取り扱うリミテッド・ボルツマン・マシン(RBM)に基づく。
また,隠れ変数として必須情報を抽出し,解釈可能な状態遷移規則を表現するルールベース手法を提案する。
論文 参考訳(メタデータ) (2022-12-07T00:01:20Z) - Unconventional mechanism of virtual-state population through dissipation [125.99533416395765]
オープン量子系において、仮想状態が長い時間で大きな人口を獲得できる現象を報告する。
これは、仮想状態が無人口のままである状況は、メタスタブルであることを意味する。
これらの結果は、相互作用する量子ビットの散逸系における安定かつ準安定な絡み合った状態の生成のような実践的な問題にどのように関係するかを示す。
論文 参考訳(メタデータ) (2022-02-24T17:09:43Z) - A Bayesian Treatment of Real-to-Sim for Deformable Object Manipulation [59.29922697476789]
本稿では,変形可能な物体の状態を分布埋め込みとして表現する手法を用いて,画像列から状態情報を抽出する手法を提案する。
実験により, 弾性, 摩擦, スケールなどの物性の後方分布を, 布やロープなどの高変形性物体で推定できることが確認された。
論文 参考訳(メタデータ) (2021-12-09T17:50:54Z) - Likelihood-Free Inference in State-Space Models with Unknown Dynamics [71.94716503075645]
本研究では、状態空間モデルにおいて、観測をシミュレートすることしかできず、遷移ダイナミクスが不明な潜在状態の推測と予測を行う手法を提案する。
本研究では,限られた数のシミュレーションで状態予測と状態予測を行う手法を提案する。
論文 参考訳(メタデータ) (2021-11-02T12:33:42Z) - Instrumental Variable Value Iteration for Causal Offline Reinforcement
Learning [94.70124304098469]
オフライン強化学習(RL)では、事前収集された観測データのみから最適なポリシーを学習する。
我々は、遷移力学が加法非線形関数形式を認める連結マルコフ決定過程について研究する。
本稿では,CMRの一次二重改質に基づくIV-aided Value Iteration (IVVI)アルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-02-19T13:01:40Z) - Identification of state functions by physically-guided neural networks
with physically-meaningful internal layers [0.0]
我々は,物理系における入力-出力関係を予測するために,物理的拘束型ニューラルネットワーク(PCNN)の概念を用いる。
このアプローチは、物理的に予測されるだけでなく、トレーニングプロセスの加速を図っている。
論文 参考訳(メタデータ) (2020-11-17T11:26:37Z) - Neural Physicist: Learning Physical Dynamics from Image Sequences [0.6445605125467573]
深層ニューラルネットワークを用いて画像シーケンスから直接物理力学を学習するニューラルフィジスト(NeurPhy)という新しいアーキテクチャを提案する。
我々のモデルは、物理的に意味のある状態表現を抽出するだけでなく、見えない画像列の長期予測を可能にする状態遷移ダイナミクスを学習する。
論文 参考訳(メタデータ) (2020-06-09T04:36:51Z) - Gaussian Process States: A data-driven representation of quantum
many-body physics [59.7232780552418]
我々は、絡み合った多体量子状態をコンパクトに表現するための、新しい非パラメトリック形式を示す。
この状態は、非常にコンパクトで、体系的に即効性があり、サンプリングに効率的である。
また、量子状態に対する普遍的な近似器として証明されており、データセットのサイズが大きくなるにつれて、絡み合った多体状態も捉えることができる。
論文 参考訳(メタデータ) (2020-02-27T15:54:44Z)
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。