論文の概要: Physical Modeling using Recurrent Neural Networks with Fast Convolutional Layers

• arxiv url: http://arxiv.org/abs/2204.10125v1
• Date: Thu, 21 Apr 2022 14:22:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-22 14:47:06.737346
• Title: Physical Modeling using Recurrent Neural Networks with Fast Convolutional Layers
• Title（参考訳）: 高速畳み込み層を有するリカレントニューラルネットワークによる物理モデリング
• Authors: Julian D. Parker and Sebastian J. Schlecht and Rudolf Rabenstein and Maximilian Sch\"afer
• Abstract要約: いくつかの新しい繰り返しニューラルネットワーク構造を記述し、それらがモーダル手法の拡張とみなすことができることを示す。 概念実証として、3つの物理系の合成データを生成し、提案したネットワーク構造をこのデータを用いてトレーニングし、これらのシステムの挙動を再現できることを示す。
• 参考スコア（独自算出の注目度）: 1.7013938542585922
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Discrete-time modeling of acoustic, mechanical and electrical systems is a prominent topic in the musical signal processing literature. Such models are mostly derived by discretizing a mathematical model, given in terms of ordinary or partial differential equations, using established techniques. Recent work has applied the techniques of machine-learning to construct such models automatically from data for the case of systems which have lumped states described by scalar values, such as electrical circuits. In this work, we examine how similar techniques are able to construct models of systems which have spatially distributed rather than lumped states. We describe several novel recurrent neural network structures, and show how they can be thought of as an extension of modal techniques. As a proof of concept, we generate synthetic data for three physical systems and show that the proposed network structures can be trained with this data to reproduce the behavior of these systems.
• Abstract（参考訳）: 音響・機械・電気系の離散時間モデリングは、信号処理文学において顕著なトピックである。 このようなモデルは、通常または偏微分方程式の項で与えられる数学的モデルを、確立された手法を用いて離散化することによって主に導かれる。 最近の研究は、電気回路などのスカラー値によって記述される集中状態を持つシステムの場合、データからモデルを自動的に構築するために機械学習の手法を適用している。 本研究では,同様の手法が集中状態よりも空間分布を持つシステムのモデルをどのように構築できるかを検討する。 いくつかの新しい繰り返しニューラルネットワーク構造を記述し、それらがモーダル手法の拡張とみなすことができることを示す。 概念実証として、3つの物理システムのための合成データを生成し、提案するネットワーク構造をこのデータで訓練し、システムの振る舞いを再現できることを示す。

関連論文リスト

• Learning Governing Equations of Unobserved States in Dynamical Systems [0.0]
  我々は、部分的に観測された力学系の制御方程式を学習するために、ハイブリッドニューラルネットワークODE構造を用いる。 本手法は, 観測されていない状態の真の支配方程式の学習に有効であることを示す。
  論文  参考訳（メタデータ） (2024-04-29T10:28:14Z)
• Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
  我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。 新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。 我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
  論文  参考訳（メタデータ） (2024-02-20T15:23:24Z)
• Algebraic Dynamical Systems in Machine Learning [0.1843404256219181]
  繰り返し書き起こしシステムの出力に適用される関数がモデルの形式クラスを定義することを示す。 また、これらの代数モデルは、動的モデルの合成性を記述するための自然言語であることを示す。 これらのモデルは、構造化または非数値データ上の問題を学ぶための上記の動的モデルの一般化のためのテンプレートを提供する。
  論文  参考訳（メタデータ） (2023-11-06T14:10:40Z)
• A Recursive Bateson-Inspired Model for the Generation of Semantic Formal Concepts from Spatial Sensory Data [77.34726150561087]
  本稿では,複雑な感覚データから階層構造を生成するための記号のみの手法を提案する。 このアプローチは、概念や概念の創始の鍵としてのバテソンの差異の概念に基づいている。 このモデルは、トレーニングなしでかなりリッチだが人間に読まれる概念表現を生成することができる。
  論文  参考訳（メタデータ） (2023-07-16T15:59:13Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• 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)
• Artificial neural network as a universal model of nonlinear dynamical systems [0.0]
  このマップは、重みがモデル化されたシステムをエンコードする人工知能ニューラルネットワークとして構築されている。 ローレンツ系、ロースラー系およびヒンドマール・ロースニューロンを考察する。 誘引子、パワースペクトル、分岐図、リャプノフ指数の視覚像に高い類似性が観察される。
  論文  参考訳（メタデータ） (2021-03-06T16:02:41Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)
• Model-Based Deep Learning [155.063817656602]
  信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。 ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。 私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
  論文  参考訳（メタデータ） (2020-12-15T16:29:49Z)
• Learning Queuing Networks by Recurrent Neural Networks [0.0]
  データから性能モデルを導出する機械学習手法を提案する。 我々は、通常の微分方程式のコンパクトな系の観点から、それらの平均力学の決定論的近似を利用する。 これにより、ニューラルネットワークの解釈可能な構造が可能になり、システム測定からトレーニングしてホワイトボックスパラメータ化モデルを生成することができる。
  論文  参考訳（メタデータ） (2020-02-25T10:56:47Z)

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。