Fugu-MT 論文翻訳(概要): Learning Trajectories of Hamiltonian Systems with Neural Networks

論文の概要: Learning Trajectories of Hamiltonian Systems with Neural Networks

arxiv url: http://arxiv.org/abs/2204.05077v1
Date: Mon, 11 Apr 2022 13:25:45 GMT
ステータス: 処理完了
システム内更新日: 2022-04-12 22:47:20.835249
Title: Learning Trajectories of Hamiltonian Systems with Neural Networks
Title（参考訳）: ニューラルネットワークを用いたハミルトン系の学習軌道
Authors: Katsiaryna Haitsiukevich and Alexander Ilin
Abstract要約: 本稿では,モデル系の連続時間軌跡を推定し,ハミルトニアンニューラルネットワークを強化することを提案する。提案手法は, 低サンプリング率, ノイズ, 不規則な観測において, HNNに対して有効であることを示す。
参考スコア（独自算出の注目度）: 81.38804205212425
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Modeling of conservative systems with neural networks is an area of active research. A popular approach is to use Hamiltonian neural networks (HNNs) which rely on the assumptions that a conservative system is described with Hamilton's equations of motion. Many recent works focus on improving the integration schemes used when training HNNs. In this work, we propose to enhance HNNs with an estimation of a continuous-time trajectory of the modeled system using an additional neural network, called a deep hidden physics model in the literature. We demonstrate that the proposed integration scheme works well for HNNs, especially with low sampling rates, noisy and irregular observations.
Abstract（参考訳）: ニューラルネットワークを用いた保守的システムのモデリングは活発な研究の領域である。一般的なアプローチは、ハミルトンの運動方程式で保守的なシステムが記述されるという仮定に依存するハミルトンニューラルネットワーク(HNN)を使用することである。最近の多くの研究は、HNNのトレーニングで使用される統合スキームの改善に焦点を当てている。本研究では,本論文では,ニューラルネットワークを用いたモデルシステムの連続的軌跡を推定することにより,HNNの強化を提案する。提案手法は,低サンプリング率,雑音,不規則な観測において,HNNに対して有効であることを示す。

関連論文リスト

How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文参考訳（メタデータ） (2023-06-04T08:53:27Z)
ConCerNet: A Contrastive Learning Based Framework for Automated Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
論文参考訳（メタデータ） (2023-02-11T21:07:30Z)
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)
Physics-Informed Machine Learning of Dynamical Systems for Efficient Bayesian Inference [0.0]
No-u-turn sampler (NUTS) はベイズ推定法として広く採用されている。ハミルトンニューラルネットワーク(HNN)は注目に値するアーキテクチャである。本稿では,HNNを用いてベイズ推定を効率的に行う方法を提案する。
論文参考訳（メタデータ） (2022-09-19T21:17:23Z)
Extrapolation and Spectral Bias of Neural Nets with Hadamard Product: a Polynomial Net Study [55.12108376616355]
NTKの研究は典型的なニューラルネットワークアーキテクチャに特化しているが、アダマール製品(NNs-Hp)を用いたニューラルネットワークには不完全である。本研究では,ニューラルネットワークの特別なクラスであるNNs-Hpに対する有限幅Kの定式化を導出する。我々は,カーネル回帰予測器と関連するNTKとの等価性を証明し,NTKの適用範囲を拡大する。
論文参考訳（メタデータ） (2022-09-16T06:36:06Z)
The Spectral Bias of Polynomial Neural Networks [63.27903166253743]
PNN(Polynomial Neural Network)は、高頻度情報を重要視する画像生成と顔認識に特に有効であることが示されている。これまでの研究では、ニューラルネットワークが低周波関数に対して$textitspectral bias$を示しており、トレーニング中に低周波成分のより高速な学習をもたらすことが示されている。このような研究に触発されて、我々はPNNのTangent Kernel(NTK)のスペクトル分析を行う。我々は、最近提案されたPNNのパラメトリゼーションである$Pi$-Netファミリがスピードアップすることを発見した。
論文参考訳（メタデータ） (2022-02-27T23:12:43Z)
A unified framework for Hamiltonian deep neural networks [3.0934684265555052]
ディープニューラルネットワーク(DNN)のトレーニングは、重み付け最適化中に勾配を消耗させるため、難しい場合がある。ハミルトン系の時間離散化から派生したDNNのクラスを提案する。提案されたハミルトンのフレームワークは、限界的に安定なODEにインスパイアされた既存のネットワークを包含する以外に、新しいより表現力のあるアーキテクチャを導出することができる。
論文参考訳（メタデータ） (2021-04-27T13:20:24Z)
Adaptable Hamiltonian neural networks [0.0]
Hamiltonian Neural Networks (HNN) は物理学で強化されたニューラルネットワークの主要なクラスである。非線形物理系の適応予測が可能なHNNのクラスを紹介します。我々は,パラメータ認識型HNNがカオスへの移行経路を予測できることを示した。
論文参考訳（メタデータ） (2021-02-25T23:53:51Z)
Progressive Tandem Learning for Pattern Recognition with Deep Spiking Neural Networks [80.15411508088522]
スパイキングニューラルネットワーク(SNN)は、低レイテンシと高い計算効率のために、従来の人工知能ニューラルネットワーク(ANN)よりも優位性を示している。高速かつ効率的なパターン認識のための新しいANN-to-SNN変換およびレイヤワイズ学習フレームワークを提案する。
論文参考訳（メタデータ） (2020-07-02T15:38:44Z)
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)

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。