Fugu-MT 論文翻訳(概要): Solving time dependent Fokker-Planck equations via temporal normalizing flow

論文の概要: Solving time dependent Fokker-Planck equations via temporal normalizing flow

arxiv url: http://arxiv.org/abs/2112.14012v1
Date: Tue, 28 Dec 2021 06:39:14 GMT
ステータス: 処理完了
システム内更新日: 2021-12-30 15:46:37.330487
Title: Solving time dependent Fokker-Planck equations via temporal normalizing flow
Title（参考訳）: 時空正規化フローによるFokker-Planck方程式の解時間依存性
Authors: Xiaodong Feng, Li Zeng, Tao Zhou
Abstract要約: 時間依存Fokker-Planck方程式を解くための時間正規化フローに基づく適応学習手法を提案する。機械学習のスキームであるため、提案手法はメッシュフリーであり、高次元問題にも容易に適用できる。
参考スコア（独自算出の注目度）: 7.3990175502763185
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this work, we propose an adaptive learning approach based on temporal normalizing flows for solving time-dependent Fokker-Planck (TFP) equations. It is well known that solutions of such equations are probability density functions, and thus our approach relies on modelling the target solutions with the temporal normalizing flows. The temporal normalizing flow is then trained based on the TFP loss function, without requiring any labeled data. Being a machine learning scheme, the proposed approach is mesh-free and can be easily applied to high dimensional problems. We present a variety of test problems to show the effectiveness of the learning approach.
Abstract（参考訳）: 本研究では,時間依存型Fokker-Planck(TFP)方程式を解くための時間正規化フローに基づく適応学習手法を提案する。このような方程式の解が確率密度関数であることはよく知られており、本手法は時間正規化フローを用いて対象解をモデル化することに依存する。時間正規化フローは、ラベル付きデータを必要としないTFP損失関数に基づいて訓練される。機械学習スキームとして,提案手法はメッシュフリーであり,高次元問題に容易に適用できる。学習アプローチの有効性を示すために,様々なテスト問題を提案する。

関連論文リスト

A Simulation-Free Deep Learning Approach to Stochastic Optimal Control [12.699529713351287]
最適制御(SOC)における一般問題の解法のためのシミュレーションフリーアルゴリズムを提案する。既存の手法とは異なり、我々の手法は随伴問題の解を必要としない。
論文参考訳（メタデータ） (2024-10-07T16:16:53Z)
PINF: Continuous Normalizing Flows for Physics-Constrained Deep Learning [8.000355537589224]
本稿では,連続正規化フローの新たな拡張である物理インフォームド正規化フロー(PINF)を紹介する。メッシュフリーかつ因果フリーな本手法は,高次元時間依存性と定常状態Fokker-Planck方程式を効率的に解ける。
論文参考訳（メタデータ） (2023-09-26T15:38:57Z)
Self-Consistent Velocity Matching of Probability Flows [22.2542921090435]
偏微分方程式(PDE)のクラスを解くための離散化のないスケーラブルなフレームワークを提案する。主な観察は、PDE溶液の時間変化速度場は自己整合性が必要であることである。実験性能の強い計算障害を回避できるバイアス勾配推定器を用いた反復的定式化を用いる。
論文参考訳（メタデータ） (2023-01-31T16:17:18Z)
Learning to Optimize Permutation Flow Shop Scheduling via Graph-based Imitation Learning [70.65666982566655]
置換フローショップスケジューリング(PFSS)は製造業で広く使われている。我々は,より安定かつ正確に収束を加速する専門家主導の模倣学習を通じてモデルを訓練することを提案する。我々のモデルのネットワークパラメータはわずか37%に減少し、エキスパートソリューションに対する我々のモデルの解のギャップは平均6.8%から1.3%に減少する。
論文参考訳（メタデータ） (2022-10-31T09:46:26Z)
Semi-supervised Learning of Partial Differential Operators and Dynamical Flows [68.77595310155365]
本稿では,超ネットワーク解法とフーリエニューラル演算子アーキテクチャを組み合わせた新しい手法を提案する。本手法は, 1次元, 2次元, 3次元の非線形流体を含む様々な時間発展PDEを用いて実験を行った。その結果、新しい手法は、監督点の時点における学習精度を向上し、任意の中間時間にその解を補間できることを示した。
論文参考訳（メタデータ） (2022-07-28T19:59:14Z)
Probability flow solution of the Fokker-Planck equation [10.484851004093919]
確率の流れを記述した常微分方程式の統合に基づく代替スキームを導入する。力学とは異なり、この方程式は決定論的に初期密度からのサンプルを後から溶液のサンプルにプッシュする。我々のアプローチは、生成モデルのためのスコアベース拡散の最近の進歩に基づいている。
論文参考訳（メタデータ） (2022-06-09T17:37:09Z)
Adapting reservoir computing to solve the Schr\"odinger equation [0.0]
貯留層計算(Reservoir computing)は、時系列の進化を予測する機械学習アルゴリズムである。時間に依存するシュリンガー方程式を統合するためにこの手法を適用し、時間における初期波動関数を伝播する。
論文参考訳（メタデータ） (2022-02-12T19:28:11Z)
Deep Learning Approximation of Diffeomorphisms via Linear-Control Systems [91.3755431537592]
我々は、制御に線形に依存する$dot x = sum_i=1lF_i(x)u_i$という形の制御系を考える。対応するフローを用いて、コンパクトな点のアンサンブル上の微分同相写像の作用を近似する。
論文参考訳（メタデータ） (2021-10-24T08:57:46Z)
Logistic Q-Learning [87.00813469969167]
MDPにおける最適制御の正規化線形プログラミング定式化から導いた新しい強化学習アルゴリズムを提案する。提案アルゴリズムの主な特徴は,広範に使用されているベルマン誤差の代わりとして理論的に音声として機能する,政策評価のための凸損失関数である。
論文参考訳（メタデータ） (2020-10-21T17:14:31Z)
Combining Deep Learning and Optimization for Security-Constrained Optimal Power Flow [94.24763814458686]
セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。 SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
論文参考訳（メタデータ） (2020-07-14T12:38:21Z)
STEER: Simple Temporal Regularization For Neural ODEs [80.80350769936383]
トレーニング中のODEの終了時刻をランダムにサンプリングする新しい正規化手法を提案する。提案された正規化は実装が簡単で、オーバーヘッドを無視でき、様々なタスクで有効である。本稿では,フローの正規化,時系列モデル,画像認識などの実験を通じて,提案した正規化がトレーニング時間を大幅に短縮し,ベースラインモデルよりも性能を向上できることを示す。
論文参考訳（メタデータ） (2020-06-18T17:44:50Z)

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。