Fugu-MT 論文翻訳(概要): Input-to-State Stable Neural Ordinary Differential Equations with Applications to Transient Modeling of Circuits

論文の概要: Input-to-State Stable Neural Ordinary Differential Equations with Applications to Transient Modeling of Circuits

arxiv url: http://arxiv.org/abs/2202.06453v1
Date: Mon, 14 Feb 2022 01:51:05 GMT
ステータス: 処理完了
システム内更新日: 2022-02-15 18:11:40.282942
Title: Input-to-State Stable Neural Ordinary Differential Equations with Applications to Transient Modeling of Circuits
Title（参考訳）: 入力-状態安定ニューラル常微分方程式と回路の過渡的モデリングへの応用
Authors: Alan Yang, Jie Xiong, Maxim Raginsky, Elyse Rosenbaum
Abstract要約: 本稿では,入力から状態への安定な連続時間リカレントニューラルネットワークによってパラメータ化されたニューラル常微分方程式のクラスを提案する。提案手法を用いて電子回路の動作モデルを安価にシミュレーションする。
参考スコア（独自算出の注目度）: 11.636872461683742
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper proposes a class of neural ordinary differential equations parametrized by provably input-to-state stable continuous-time recurrent neural networks. The model dynamics are defined by construction to be input-to-state stable (ISS) with respect to an ISS-Lyapunov function that is learned jointly with the dynamics. We use the proposed method to learn cheap-to-simulate behavioral models for electronic circuits that can accurately reproduce the behavior of various digital and analog circuits when simulated by a commercial circuit simulator, even when interconnected with circuit components not encountered during training. We also demonstrate the feasibility of learning ISS-preserving perturbations to the dynamics for modeling degradation effects due to circuit aging.
Abstract（参考訳）: 本稿では,入力から状態への安定な連続時間リカレントニューラルネットワークによってパラメトリ化された神経常微分方程式のクラスを提案する。モデルダイナミクスは、ダイナミクスと共同で学習される iss-リャプノフ関数に関して、入出力安定(iss)となるように構成によって定義される。提案手法を用いて,電子回路の動作モデルを安価に学習し,各種ディジタル回路やアナログ回路の動作を,トレーニング中に遭遇しない回路部品と相互接続した場合にも正確に再現する。また,回路老化による劣化効果をモデル化するダイナミクスに対する学習 iss 保存摂動の可能性を示す。

関連論文リスト

Event-Based Simulation of Stochastic Memristive Devices for Neuromorphic Computing [41.66366715982197]
イベントベースシステムのシミュレーションに適したメムリスタの一般モデルを構築した。既存のmemristorの汎用モデルをイベント駆動設定に拡張する。本稿では,イベントベースモデルのパラメータをドリフトモデルに適合させる手法を示す。
論文参考訳（メタデータ） (2024-06-14T13:17:19Z)
On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
論文参考訳（メタデータ） (2024-05-18T15:59:41Z)
Thermodynamically Consistent Machine-Learned Internal State Variable Approach for Data-Driven Modeling of Path-Dependent Materials [0.76146285961466]
ディープニューラルネットワークやリカレントニューラルネットワーク(RNN)などのデータ駆動機械学習モデルが,現実的な代替手段になりつつある。本研究では,計測可能な材料に基づく経路依存材料に対する,機械学習型ロバスト性駆動型モデリング手法を提案する。
論文参考訳（メタデータ） (2022-05-01T23:25:08Z)
Neural Operator with Regularity Structure for Modeling Dynamics Driven by SPDEs [70.51212431290611]
偏微分方程式 (SPDE) は、大気科学や物理学を含む多くの分野において、力学をモデル化するための重要なツールである。本研究では,SPDEによって駆動されるダイナミクスをモデル化するための特徴ベクトルを組み込んだニューラル演算子(NORS)を提案する。動的Phi41モデルと2d Navier-Stokes方程式を含む様々なSPDE実験を行った。
論文参考訳（メタデータ） (2022-04-13T08:53:41Z)
Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
論文参考訳（メタデータ） (2022-02-25T20:00:56Z)
Using scientific machine learning for experimental bifurcation analysis of dynamic systems [2.204918347869259]
本研究は、極限サイクルを持つ物理非線形力学系に対する普遍微分方程式(UDE)モデルの訓練に焦点をあてる。数値シミュレーションによりトレーニングデータを生成する例を考察するとともに,提案するモデリング概念を物理実験に適用する。ニューラルネットワークとガウス過程の両方を、力学モデルと共に普遍近似器として使用し、UDEモデリングアプローチの正確性と堅牢性を批判的に評価する。
論文参考訳（メタデータ） (2021-10-22T15:43:03Z)
A Predictive Coding Account for Chaotic Itinerancy [68.8204255655161]
予測符号化を実装したリカレントニューラルネットワークが,入力雑音の存在下でカオス的反復性に類似したニューラルトラジェクトリを生成する方法を示す。本モデルを用いて,無作為かつ非依存なトラジェクタスイッチングトラジェクトリを生成する2つのシナリオを提案する。
論文参考訳（メタデータ） (2021-06-16T16:48:14Z)
Physics-Informed Neural Network for Modelling the Thermochemical Curing Process of Composite-Tool Systems During Manufacture [11.252083314920108]
オートクレーブで治療を行うツール上で, 複合材料の熱化学的進化をシミュレートするPINNを提案する。我々は、PDE、境界、インターフェース、初期条件に対応する損失項に自動的に重みを適応させる手法でPINNを訓練する。提案したPINNの性能は材料厚と熱境界条件の異なる複数のシナリオで実証された。
論文参考訳（メタデータ） (2020-11-27T00:56:15Z)
Learning Compact Physics-Aware Delayed Photocurrent Models Using Dynamic Mode Decomposition [1.933681537640272]
半導体デバイスにおける放射誘起光電流は、複雑な物理モデルを用いてシミュレートすることができる。複数の個別回路要素の詳細なモデルを評価することは、計算上不可能である。本稿では,大規模回路シミュレーションで実装可能な小型遅延光電流モデルの学習手順を示す。
論文参考訳（メタデータ） (2020-08-27T18:21:46Z)
Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文参考訳（メタデータ） (2020-06-08T09:53:35Z)
Training End-to-End Analog Neural Networks with Equilibrium Propagation [64.0476282000118]
本稿では,勾配降下による終端から終端までのアナログニューラルネットワークの学習法を提案する。数学的には、アナログニューラルネットワークのクラス(非線形抵抗性ネットワークと呼ばれる)がエネルギーベースモデルであることが示される。我々の研究は、オンチップ学習をサポートする、超高速でコンパクトで低消費電力のニューラルネットワークの新世代の開発を導くことができる。
論文参考訳（メタデータ） (2020-06-02T23:38:35Z)

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。