論文の概要: Rediscovering orbital mechanics with machine learning

• arxiv url: http://arxiv.org/abs/2202.02306v1
• Date: Fri, 4 Feb 2022 18:44:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-07 17:08:05.441927
• Title: Rediscovering orbital mechanics with machine learning
• Title（参考訳）: 機械学習による軌道力学の再発見
• Authors: Pablo Lemos, Niall Jeffrey, Miles Cranmer, Shirley Ho, Peter Battaglia
• Abstract要約: 私たちは、30年間の軌道データから、太陽系の太陽、惑星、そして大きな衛星のダイナミクスをシミュレートするために「グラフニューラルネットワーク」を訓練します。 次に,ニューラルネットワークによって暗黙的に学習された力法則の解析式を発見するために,記号回帰を用いた。
• 参考スコア（独自算出の注目度）: 1.2999518604217852
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present an approach for using machine learning to automatically discover the governing equations and hidden properties of real physical systems from observations. We train a "graph neural network" to simulate the dynamics of our solar system's Sun, planets, and large moons from 30 years of trajectory data. We then use symbolic regression to discover an analytical expression for the force law implicitly learned by the neural network, which our results showed is equivalent to Newton's law of gravitation. The key assumptions that were required were translational and rotational equivariance, and Newton's second and third laws of motion. Our approach correctly discovered the form of the symbolic force law. Furthermore, our approach did not require any assumptions about the masses of planets and moons or physical constants. They, too, were accurately inferred through our methods. Though, of course, the classical law of gravitation has been known since Isaac Newton, our result serves as a validation that our method can discover unknown laws and hidden properties from observed data. More broadly this work represents a key step toward realizing the potential of machine learning for accelerating scientific discovery.
• Abstract（参考訳）: 本稿では,機械学習を用いて実物系の制御方程式や隠れ特性を自動的に発見する手法を提案する。 私たちは、30年間の軌道データから、太陽系の太陽、惑星、そして大きな衛星のダイナミクスをシミュレートするために、グラフニューラルネットワークを訓練します。 次に,ニューラルネットワークによって暗黙的に学習された力法則の解析式を発見するために,記号回帰を用いて,ニュートンの重力法則と等価であることを示した。 要求された主要な仮定は、翻訳と回転の等分散であり、ニュートンの第2および第3の運動法則であった。 我々のアプローチは記号力法則の形式を正しく発見した。 さらに、我々の手法は惑星や衛星の質量や物理定数に関する仮定は必要としなかった。 彼らも我々の方法で正確に推測された。 もちろん、古典的な重力法則はアイザック・ニュートン以来知られているが、我々の手法が観測されたデータから未知の法則や隠れた性質を発見できるという検証に役立つ。 この研究は、科学的な発見を加速するための機械学習の可能性を実現するための重要なステップである。

関連論文リスト

• On Newton's Method to Unlearn Neural Networks [44.85793893441989]
  ニューラルネット(NN)に対する近似的未学習アルゴリズムを探索し、同じモデルを再学習したオラクルに返却する。 本稿では, 立方正則化を利用してヘッセン系縮退を効果的に処理するCureNewton法を提案する。 異なるモデルとデータセットをまたいだ実験により、我々の手法は、実践的な未学習環境で最先端のアルゴリズムと競合する未学習性能を達成できることを示した。
  論文  参考訳（メタデータ） (2024-06-20T17:12:20Z)
• Quantum Sensing from Gravity as Universal Dephasing Channel for Qubits [41.96816488439435]
  重力赤方偏移とアハロノフ・ボーム相の一般的な現象を明らかにする。 絡み合った量子状態は普遍的な速度で脱相することを示す。 精密重力計と機械ひずみ計のための量子センサとして,量子ビットプラットフォームを提案する。
  論文  参考訳（メタデータ） (2024-06-05T13:36:06Z)
• Newton's laws of motion can generate gravity-mediated entanglement [0.0]
  空間的局在状態の初期重ね合わせにおける2つの質量は重力によってのみ相互作用することが許される。 ニュートンの運動法則によって与えられる古典的時間進化を利用して、この設定で同じ量の絡み合いを生成できることが示される。
  論文  参考訳（メタデータ） (2024-01-15T16:57:15Z)
• Loss Dynamics of Temporal Difference Reinforcement Learning [36.772501199987076]
  線形関数近似器を用いた値関数の時間差学習のためのケースラーニング曲線について検討した。 本研究では,学習力学と台地が特徴構造,学習率,割引係数,報酬関数にどのように依存するかを検討する。
  論文  参考訳（メタデータ） (2023-07-10T18:17:50Z)
• Exact conservation laws for neural network integrators of dynamical systems [0.0]
  ニューラルネットワークのアーキテクチャに自然に保存法則を組み込むためにネーターの定理を用いるアプローチを提案する。 このことが,3つのモデルシステムの予測精度の向上につながることを実証する。
  論文  参考訳（メタデータ） (2022-09-23T15:45:05Z)
• Reconstruction of observed mechanical motions with Artificial Intelligence tools [0.0]
  これらの法則は、限られた数のパラメータを持つニューラルネットワークによって表現される。 我々は、重力振子と二重振子の例で示すように、積分運動とカオス運動の両方を再構築する。
  論文  参考訳（メタデータ） (2022-02-23T11:52:08Z)
• Machine Learning for Discovering Effective Interaction Kernels between Celestial Bodies from Ephemerides [10.77689830299308]
  我々は、データ駆動学習アプローチを用いて、太陽系の天体の運動の安定的で正確なモデルを導出する。 太陽系の主要天体を相互に相互作用する物質としてモデル化することで、我々の学習モデルは極めて正確なダイナミクスを生成する。 我々のモデルは、特に火星、水星、月の近日点沈み込みを再現するという点において、観測データに対する統一的な説明を提供することができる。
  論文  参考訳（メタデータ） (2021-08-26T16:30:59Z)
• The problem of engines in statistical physics [62.997667081978825]
  エンジンは、外部の不均衡を犠牲にして、仕事を循環的に生成できるオープンシステムである。 オープン量子系の理論の最近の進歩は、自律エンジンのより現実的な記述を示している。 運動方程式に外部荷重力と熱雑音を組み込む方法を示す。
  論文  参考訳（メタデータ） (2021-08-17T03:59:09Z)
• Machine-Learning Non-Conservative Dynamics for New-Physics Detection [69.45430691069974]
  未知の力によって支配される軌道を考えると、ニューラル・ニュー物理検出器(NNPhD)は新しい物理を検出することを目的としています。 我々はNNPhDが、力場を保守的かつ非保守的成分に分解することで、新しい物理学の発見に成功したことを実証する。 また,NNPhDと積分器の結合が,減衰二重振り子の将来を予測する従来の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-05-31T18:00:10Z)
• AI Poincar\'e: Machine Learning Conservation Laws from Trajectories [0.0]
  保存量の自動発見のための機械学習アルゴリズムとして,AI Poincar'eを提案する。 重力3体問題を含む5つのハミルトン系でテストする。
  論文  参考訳（メタデータ） (2020-11-09T19:23:28Z)
• 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)

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。