Fugu-MT 論文翻訳(概要): Interpretable machine learning in Physics

論文の概要: Interpretable machine learning in Physics

arxiv url: http://arxiv.org/abs/2203.08021v1
Date: Fri, 11 Mar 2022 15:17:59 GMT
ステータス: 処理完了
システム内更新日: 2022-03-16 16:16:17.517889
Title: Interpretable machine learning in Physics
Title（参考訳）: 物理における解釈可能な機械学習
Authors: Christophe Grojean, Ayan Paul, Zhuoni Qian, Inga Str\"umke
Abstract要約: 多変量法に解釈可能性を加えることは、高次相関を持つ複雑な物理系を探索するための強力なシナジーを生み出す。システムの基盤となるダイナミクスに,ある程度の明快さをもたらします。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Adding interpretability to multivariate methods creates a powerful synergy for exploring complex physical systems with higher order correlations while bringing about a degree of clarity in the underlying dynamics of the system.
Abstract（参考訳）: 多変量法に解釈性を加えることは、より高次相関を持つ複雑な物理系を探索し、システムの基盤となるダイナミクスにある程度の明確さをもたらす強力な相乗効果をもたらす。

関連論文リスト

Trans-Bifurcation Prediction of Dynamics in terms of Extreme Learning Machines with Control Inputs [0.49998148477760973]
対象とする1-パラメータ系の分岐の全体構造は,数パラメータ値のみを用いて過渡的ダイナミクスのトレーニングによってほぼ再現可能であることを示す。我々は,この卓越した学習能力を説明するためのメカニズムを提案し,Kimらによって得られた結果と類似した結果との関係について論じる。
論文参考訳（メタデータ） (2024-10-17T07:34:23Z)
Learning System Dynamics without Forgetting [60.08612207170659]
未知の力学を持つ系の軌道予測は、物理学や生物学を含む様々な研究分野において重要である。本稿では,モードスイッチンググラフODE (MS-GODE) の新たなフレームワークを提案する。生体力学の異なる多様な系を特徴とする生体力学システムの新しいベンチマークを構築した。
論文参考訳（メタデータ） (2024-06-30T14:55:18Z)
Data driven modeling for self-similar dynamics [1.0790314700764785]
本稿では,自己相似性を先行知識として組み込んだマルチスケールニューラルネットワークフレームワークを提案する。決定論的ダイナミクスの場合、我々のフレームワークは力学が自己相似かどうかを識別できる。本手法は,自己相似システムにおける電力法指数を同定する。
論文参考訳（メタデータ） (2023-10-12T12:39:08Z)
Robust Hamiltonian Engineering for Interacting Qudit Systems [50.591267188664666]
我々は、強く相互作用するキューディット系のロバストな動的疎結合とハミルトン工学の定式化を開発する。本研究では,これらの手法を,スピン-1窒素空洞中心の強相互作用・無秩序なアンサンブルで実験的に実証した。
論文参考訳（メタデータ） (2023-05-16T19:12:41Z)
Learning the Evolution of Correlated Stochastic Power System Dynamics [0.0]
実数値利得の確率密度関数に対する一次元線形偏微分方程式を学習する。この方法は高次元システムに適しており、次元性の呪いを軽減するのに役立つ。
論文参考訳（メタデータ） (2022-07-27T05:46:50Z)
Learning Individual Interactions from Population Dynamics with Discrete-Event Simulation Model [9.827590402695341]
複雑なシステム力学の離散時間シミュレーション表現を学習する可能性について検討する。この結果から,本アルゴリズムは,意味のあるイベントを持つ複数のフィールドにおいて,複雑なネットワークダイナミクスをデータ効率よくキャプチャできることがわかった。
論文参考訳（メタデータ） (2022-05-04T21:33:56Z)
Learning reversible symplectic dynamics [0.0]
本稿では,データから時間可逆な力学系を学習するためのニューラルネットワークアーキテクチャを提案する。我々は、物理インフォームドラーニングの重要性から、シンプレクティックシステムへの適応に焦点を当てている。
論文参考訳（メタデータ） (2022-04-26T14:07:40Z)
Constructing Neural Network-Based Models for Simulating Dynamical Systems [59.0861954179401]
データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
論文参考訳（メタデータ） (2021-11-02T10:51:42Z)
Sensing quantum chaos through the non-unitary geometric phase [62.997667081978825]
量子カオスを検知するデコヒーレント機構を提案する。多体量子系のカオス的性質は、それが結合したプローブの長時間の力学においてシステムが生成する意味を研究することによって知覚される。
論文参考訳（メタデータ） (2021-04-13T17:24:08Z)
Quantum Non-equilibrium Many-Body Spin-Photon Systems [91.3755431537592]
論文は、非平衡状態における強相関量子系の量子力学に関するものである。本研究の主な成果は, 臨界ダイナミクスのシグナチャ, 超ストロング結合のテストベッドとしての駆動ディックモデル, キブルズルーク機構の3つにまとめることができる。
論文参考訳（メタデータ） (2020-07-23T19:05:56Z)
Learning Stable Deep Dynamics Models [91.90131512825504]
状態空間全体にわたって安定することが保証される力学系を学習するためのアプローチを提案する。このような学習システムは、単純な力学系をモデル化することができ、複雑な力学を学習するために追加の深層生成モデルと組み合わせることができることを示す。
論文参考訳（メタデータ） (2020-01-17T00:04:45Z)

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。