論文の概要: Dissipative Hamiltonian Neural Networks: Learning Dissipative and Conservative Dynamics Separately

• arxiv url: http://arxiv.org/abs/2201.10085v1
• Date: Tue, 25 Jan 2022 04:09:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-27 05:39:07.106947
• Title: Dissipative Hamiltonian Neural Networks: Learning Dissipative and Conservative Dynamics Separately
• Title（参考訳）: 散逸的ハミルトンニューラルネット:散逸的・保守的なダイナミクスを別々に学習する
• Authors: Sam Greydanus and Andrew Sosanya
• Abstract要約: 近年の研究では、ハミルトニアンニューラルネットワーク(HNN)を用いて、ニューラルネットワークがデータから直接そのような対称性を学習できることが示されている。 本稿では,保守的・散逸的力学を同時に特定・分解できるかどうかを問う。 本稿では,ハミルトニアンとレイリーの放散関数の両方をパラメータ化する散逸型ハミルトニアンニューラルネットワーク(D-HNN)を提案する。
• 参考スコア（独自算出の注目度）: 1.52292571922932
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding natural symmetries is key to making sense of our complex and ever-changing world. Recent work has shown that neural networks can learn such symmetries directly from data using Hamiltonian Neural Networks (HNNs). But HNNs struggle when trained on datasets where energy is not conserved. In this paper, we ask whether it is possible to identify and decompose conservative and dissipative dynamics simultaneously. We propose Dissipative Hamiltonian Neural Networks (D-HNNs), which parameterize both a Hamiltonian and a Rayleigh dissipation function. Taken together, they represent an implicit Helmholtz decomposition which can separate dissipative effects such as friction from symmetries such as conservation of energy. We train our model to decompose a damped mass-spring system into its friction and inertial terms and then show that this decomposition can be used to predict dynamics for unseen friction coefficients. Then we apply our model to real world data including a large, noisy ocean current dataset where decomposing the velocity field yields useful scientific insights.
• Abstract（参考訳）: 自然の対称性を理解することは、我々の複雑で絶えず変化する世界を理解する鍵となる。 近年の研究では、ハミルトニアンニューラルネットワーク(HNN)を用いて、そのような対称性を直接学習できることが示されている。 しかしHNNは、エネルギーが保存されていないデータセットでトレーニングするときに苦労する。 本稿では,保存的ダイナミクスと散逸的ダイナミクスを同時に識別し分解できるかどうかを問う。 本稿では,ハミルトニアン関数とレイリー散逸関数の両方をパラメータ化する散逸型ハミルトニアンニューラルネットワーク(d-hnn)を提案する。 これらは暗黙のヘルムホルツ分解を表しており、エネルギーの保存のような対称性からの摩擦のような散逸効果を分離することができる。 我々は、減衰した質量ばね系をその摩擦と慣性項に分解するようにモデルを訓練し、この分解が未知の摩擦係数のダイナミクスを予測できることを示す。 そして、我々のモデルを、速度場を分解する大きなノイズの多い海流データセットを含む実世界のデータに適用し、有用な科学的洞察を得る。

関連論文リスト

• Injecting Hamiltonian Architectural Bias into Deep Graph Networks for Long-Range Propagation [55.227976642410766]
  グラフ内の情報拡散のダイナミクスは、グラフ表現学習に大きな影響を及ぼす重要なオープン問題である。 そこで我々は(ポート-)Hamiltonian Deep Graph Networksを紹介した。 我々は,非散逸的長距離伝播と非保守的行動の両方を,単一の理論的・実践的な枠組みで調整する。
  論文  参考訳（メタデータ） (2024-05-27T13:36:50Z)
• Applications of Machine Learning to Modelling and Analysing Dynamical Systems [0.0]
  本稿では,既存のハミルトンニューラルネットワーク構造を適応型シンプレクティックリカレントニューラルネットワークに組み合わせたアーキテクチャを提案する。 このアーキテクチャは、ハミルトニアン力学を予測する際に、これまで提案されていたニューラルネットワークよりも大幅に優れていた。 本手法は, 単一パラメータポテンシャルに対して有効であり, 長期間にわたって正確な予測を行うことができることを示す。
  論文  参考訳（メタデータ） (2023-07-22T19:04:17Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Hamiltonian Neural Networks with Automatic Symmetry Detection [0.0]
  ハミルトニアンニューラルネットワーク(HNN)は、以前の物理知識を組み込むために導入された。 我々は、ニューラルネットワークに対称性を検出し、埋め込むために、Lie代数フレームワークを用いてHNNを強化した。
  論文  参考訳（メタデータ） (2023-01-19T07:34:57Z)
• Learning Neural Hamiltonian Dynamics: A Methodological Overview [109.40968389896639]
  Hamiltonian dynamicsは、ニューラルネットワークに正確な長期予測、解釈可能性、データ効率の学習を与える。 我々は最近提案したハミルトンニューラルネットワークモデルについて、特に方法論に焦点を当てて体系的に調査した。
  論文  参考訳（メタデータ） (2022-02-28T22:54:39Z)
• Lagrangian Neural Network with Differential Symmetries and Relational Inductive Bias [5.017136256232997]
  システムのラグランジアンを学習するラグランジアンニューラルネットワーク(MCLNN)の運動量について述べる。 また、開発したモデルが任意の大きさのシステムに一般化可能であることを示す。
  論文  参考訳（メタデータ） (2021-10-07T08:49:57Z)
• Simultaneous boundary shape estimation and velocity field de-noising in Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
  MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。 これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。 我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-07-16T12:56:09Z)
• Machine Learning S-Wave Scattering Phase Shifts Bypassing the Radial Schr\"odinger Equation [77.34726150561087]
  本稿では, 畳み込みニューラルネットワークを用いて, 正確な散乱s波位相シフトを得られる機械学習モデルの実証を行う。 我々は、ハミルトニアンが物理的に動機づけられた記述子の構築において、いかにして指導原理として機能するかについて議論する。
  論文  参考訳（メタデータ） (2021-06-25T17:25:38Z)
• Sparse Symplectically Integrated Neural Networks [15.191984347149667]
  SSINN(Sprselectically Integrated Neural Networks)を紹介する。 SSINNはデータからハミルトン力学系を学ぶための新しいモデルである。 古典的ハミルトン力学問題に対するSSINNの評価を行う。
  論文  参考訳（メタデータ） (2020-06-10T03:33:37Z)
• Parsimonious neural networks learn interpretable physical laws [77.34726150561087]
  本稿では、ニューラルネットワークと進化的最適化を組み合わせたパシモニクスニューラルネットワーク(PNN)を提案し、精度とパシモニクスのバランスをとるモデルを求める。 アプローチのパワーと汎用性は、古典力学のモデルを開発し、基本特性から材料の融解温度を予測することによって実証される。
  論文  参考訳（メタデータ） (2020-05-08T16:15:47Z)
• Lagrangian Neural Networks [3.0059120458540383]
  ニューラルネットワークを用いて任意のラグランジアンをパラメータ化できるラグランジアンニューラルネットワーク(LNN)を提案する。 ハミルトン学を学ぶモデルとは対照的に、LNNは標準座標を必要としない。 ラグランジアングラフネットワークを用いて,このモデルをグラフや連続システムに適用する方法を示す。
  論文  参考訳（メタデータ） (2020-03-10T10:55:25Z)

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。