Fugu-MT 論文翻訳(概要): Learning reversible symplectic dynamics

論文の概要: Learning reversible symplectic dynamics

arxiv url: http://arxiv.org/abs/2204.12323v1
Date: Tue, 26 Apr 2022 14:07:40 GMT
ステータス: 処理完了
システム内更新日: 2022-04-27 15:24:14.711395
Title: Learning reversible symplectic dynamics
Title（参考訳）: 可逆的シンプレクティックダイナミクスの学習
Authors: Riccardo Valperga, Kevin Webster, Victoria Klein, Dmitry Turaev and Jeroen S. W. Lamb
Abstract要約: 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。
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: Time-reversal symmetry arises naturally as a structural property in many dynamical systems of interest. While the importance of hard-wiring symmetry is increasingly recognized in machine learning, to date this has eluded time-reversibility. In this paper we propose a new neural network architecture for learning time-reversible dynamical systems from data. We focus in particular on an adaptation to symplectic systems, because of their importance in physics-informed learning.
Abstract（参考訳）: 時間反転対称性は、多くの力学系における構造的性質として自然に現れる。ハードウイング対称性の重要性は機械学習においてますます認識されているが、現在では時間的可逆性は失われている。本稿では,データから時間可逆な動的システム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。特に,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。

関連論文リスト

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)
On instabilities in neural network-based physics simulators [0.0]
ニューラルネットワークによって生じる長時間の力学は、しばしば非物理的または不安定である。トレーニング力学の収束速度は不均一であり, データのエネルギー分布に依存することを示す。トレーニング中にデータに合成ノイズを注入すると、トレーニングダイナミクスが減衰し、学習したシミュレータを安定させることができる。
論文参考訳（メタデータ） (2024-06-18T23:25:14Z)
Persistent learning signals and working memory without continuous attractors [6.135577623169029]
準周期的アトラクタは、任意に長い時間的関係の学習を支援することができることを示す。我々の理論は、人工知能システムの設計に幅広い意味を持っている。
論文参考訳（メタデータ） (2023-08-24T06:12:41Z)
Critical Learning Periods for Multisensory Integration in Deep Networks [112.40005682521638]
ニューラルネットワークが様々な情報源からの情報を統合する能力は、トレーニングの初期段階において、適切な相関した信号に晒されることに批判的になることを示す。臨界周期は、訓練されたシステムとその学習された表現の最終性能を決定づける、複雑で不安定な初期過渡的ダイナミクスから生じることを示す。
論文参考訳（メタデータ） (2022-10-06T23:50:38Z)
Symplectic Momentum Neural Networks -- Using Discrete Variational Mechanics as a prior in Deep Learning [7.090165638014331]
本稿では,Sypic Momentum Networks (SyMo) を,非分離機械系のメカニクスの離散的な定式化のモデルとして紹介する。このような組み合わせによって、これらのモデルが限られたデータから得られるだけでなく、シンプレクティックなフォームを保存し、より長期的な振る舞いを示す能力も提供できることが示される。
論文参考訳（メタデータ） (2022-01-20T16:33:19Z)
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)
Port-Hamiltonian Neural Networks for Learning Explicit Time-Dependent Dynamical Systems [2.6084034060847894]
動的システムの時間的挙動を正確に学習するには、十分な学習バイアスを持つモデルが必要である。近年のイノベーションは、ハミルトン形式とラグランジュ形式をニューラルネットワークに組み込んでいる。提案したエンポート・ハミルトンニューラルネットワークは,非線形物理系の実利的な力学を効率的に学習できることを示す。
論文参考訳（メタデータ） (2021-07-16T17:31:54Z)
Learning Contact Dynamics using Physically Structured Neural Networks [81.73947303886753]
ディープニューラルネットワークと微分方程式の接続を用いて、オブジェクト間の接触ダイナミクスを表現するディープネットワークアーキテクチャのファミリを設計する。これらのネットワークは,ノイズ観測から不連続な接触事象をデータ効率良く学習できることを示す。以上の結果から,タッチフィードバックの理想化形態は,この学習課題を扱いやすくするための重要な要素であることが示唆された。
論文参考訳（メタデータ） (2021-02-22T17:33:51Z)
Time-Reversal Symmetric ODE Network [138.02741983098454]
時間反転対称性は古典力学や量子力学においてしばしば保持される基本的な性質である。本稿では,通常の微分方程式(ODE)ネットワークがこの時間反転対称性にどの程度よく適合しているかを測定する新しい損失関数を提案する。時間反転対称性を完全に持たないシステムであっても, TRS-ODEN はベースラインよりも優れた予測性能が得られることを示す。
論文参考訳（メタデータ） (2020-07-22T12:19:40Z)
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。