論文の概要: Bounded nonlinear forecasts of partially observed geophysical systems with physics-constrained deep learning

• arxiv url: http://arxiv.org/abs/2202.05750v1
• Date: Fri, 11 Feb 2022 16:40:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-14 18:42:41.626581
• Title: Bounded nonlinear forecasts of partially observed geophysical systems with physics-constrained deep learning
• Title（参考訳）: 物理制約付き深層学習による部分観測地球物理系の有界非線形予測
• Authors: Said Ouala, Steven L. Brunton, Ananda Pascual, Bertrand Chapron, Fabrice Collard, Lucile Gaultier, Ronan Fablet
• Abstract要約: ニューラル常微分方程式(NODE)表現を利用した暗黙的動的埋め込みの物理制約学習について検討する。 鍵となる目的は、学習力学の任意の初期条件への一般化を促進する境界性を制限することである。
• 参考スコア（独自算出の注目度）: 30.238425143378414
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The complexity of real-world geophysical systems is often compounded by the fact that the observed measurements depend on hidden variables. These latent variables include unresolved small scales and/or rapidly evolving processes, partially observed couplings, or forcings in coupled systems. This is the case in ocean-atmosphere dynamics, for which unknown interior dynamics can affect surface observations. The identification of computationally-relevant representations of such partially-observed and highly nonlinear systems is thus challenging and often limited to short-term forecast applications. Here, we investigate the physics-constrained learning of implicit dynamical embeddings, leveraging neural ordinary differential equation (NODE) representations. A key objective is to constrain their boundedness, which promotes the generalization of the learned dynamics to arbitrary initial condition. The proposed architecture is implemented within a deep learning framework, and its relevance is demonstrated with respect to state-of-the-art schemes for different case-studies representative of geophysical dynamics.
• Abstract（参考訳）: 実世界の物理システムの複雑さは、観測された測定が隠れた変数に依存するという事実によってしばしば複雑になる。 これらの潜伏変数には未解決の小さなスケールや急速な進化過程、部分的に観察された結合、あるいは結合系における強制が含まれる。 これは海洋大気力学において、未知の内部力学が表面の観測に影響を及ぼす可能性がある。 このような部分観測系と高非線形系の計算関連表現の同定は困難であり、短期予測用途に限られることが多い。 本稿では,ニューラル常微分方程式(NODE)表現を利用した暗黙の動的埋め込みの物理制約学習について検討する。 鍵となる目的は、学習力学の任意の初期条件への一般化を促進する境界性を制限することである。 提案アーキテクチャは深層学習フレームワーク内に実装されており,その関連性は,物理力学の異なるケーススタディに対する最先端のスキームに対して示される。

関連論文リスト

• Automated Global Analysis of Experimental Dynamics through Low-Dimensional Linear Embeddings [3.825457221275617]
  非線形力学系に対する低次元線形モデルを導出するためのデータ駆動型計算フレームワークを提案する。 このフレームワークは、基盤となるシステム構造をキャプチャする解釈可能な線形モデルを通じて、大域的な安定性解析を可能にする。 本手法は, 物理, 気候科学, 工学などの分野にまたがる複雑な力学挙動を解析するための, 有望な経路を提供する。
  論文  参考訳（メタデータ） (2024-11-01T19:27:47Z)
• Response Estimation and System Identification of Dynamical Systems via Physics-Informed Neural Networks [0.0]
  本稿では,物理インフォームドニューラルネットワーク(PINN)を用いた力学系の同定と推定について検討する。 PINNは、既知の物理法則をニューラルネットワークの損失関数に直接埋め込むことによって、複雑な現象の単純な埋め込みを可能にするユニークな利点を提供する。 その結果、PINNは上記のすべてのタスクに対して、たとえモデルエラーがあっても、効率的なツールを提供することを示した。
  論文  参考訳（メタデータ） (2024-10-02T08:58:30Z)
• On the Dynamics Under the Unhinged Loss and Beyond [104.49565602940699]
  我々は、閉形式力学を解析するための数学的機会を提供する、簡潔な損失関数であるアンヒンジド・ロスを導入する。 アンヒンジされた損失は、時間変化学習率や特徴正規化など、より実践的なテクニックを検討することができる。
  論文  参考訳（メタデータ） (2023-12-13T02:11:07Z)
• Learning Fine Scale Dynamics from Coarse Observations via Inner Recurrence [0.0]
  最近の研究は、ディープニューラルネットワーク(DNN)による未知のシステムの進化に関するデータ駆動学習に焦点を当てている。 本稿では,このような粗い観測データから微細な力学を学習するための計算手法を提案する。
  論文  参考訳（メタデータ） (2022-06-03T20:28:52Z)
• Decimation technique for open quantum systems: a case study with driven-dissipative bosonic chains [62.997667081978825]
  量子系の外部自由度への不可避結合は、散逸(非単体)ダイナミクスをもたらす。 本稿では,グリーン関数の(散逸的な)格子計算に基づいて,これらのシステムに対処する手法を提案する。 本手法のパワーを,複雑性を増大させる駆動散逸型ボゾン鎖のいくつかの例で説明する。
  論文  参考訳（メタデータ） (2022-02-15T19:00:09Z)
• 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)
• Structure-Preserving Learning Using Gaussian Processes and Variational Integrators [62.31425348954686]
  本稿では,機械系の古典力学に対する変分積分器と,ガウス過程の回帰による残留力学の学習の組み合わせを提案する。 我々は、既知のキネマティック制約を持つシステムへのアプローチを拡張し、予測の不確実性に関する公式な境界を提供する。
  論文  参考訳（メタデータ） (2021-12-10T11:09:29Z)
• Physics-guided Deep Markov Models for Learning Nonlinear Dynamical Systems with Uncertainty [6.151348127802708]
  我々は物理誘導型Deep Markov Model(PgDMM)という物理誘導型フレームワークを提案する。 提案手法は,動的システムの駆動物理を維持しながら,ディープラーニングの表現力を利用する。
  論文  参考訳（メタデータ） (2021-10-16T16:35:12Z)
• Discovering Latent Causal Variables via Mechanism Sparsity: A New Principle for Nonlinear ICA [81.4991350761909]
  ICA(Independent component analysis)は、この目的を定式化し、実用的な応用のための推定手順を提供する手法の集合を指す。 潜伏変数は、潜伏機構をスパースに正則化すれば、置換まで復元可能であることを示す。
  論文  参考訳（メタデータ） (2021-07-21T14:22:14Z)
• Learning Continuous System Dynamics from Irregularly-Sampled Partial Observations [33.63818978256567]
  グラフ構造を持つ多エージェント動的システムをモデル化するための潜在常微分方程式生成モデルLG-ODEを提案する。 高次元軌跡の埋め込みと連続潜伏系力学を同時に学習することができる。 我々のモデルは、教師なしの方法で初期状態を推論できるグラフニューラルネットワークによってパラメータ化された新しいエンコーダを採用している。
  論文  参考訳（メタデータ） (2020-11-08T01:02:22Z)
• Euclideanizing Flows: Diffeomorphic Reduction for Learning Stable Dynamical Systems [74.80320120264459]
  本研究では、限られた数の人間の実演からそのような動きを学ぶためのアプローチを提案する。 複素運動は安定な力学系のロールアウトとして符号化される。 このアプローチの有効性は、確立されたベンチマーク上での検証と、現実世界のロボットシステム上で収集されたデモによって実証される。
  論文  参考訳（メタデータ） (2020-05-27T03:51:57Z)

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。