論文の概要: Learning Effective SDEs from Brownian Dynamics Simulations of Colloidal
Particles
- arxiv url: http://arxiv.org/abs/2205.00286v1
- Date: Sat, 30 Apr 2022 14:58:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-03 16:01:07.134547
- Title: Learning Effective SDEs from Brownian Dynamics Simulations of Colloidal
Particles
- Title(参考訳): コロイド粒子のブラウン動力学シミュレーションによる効率的なSDEの学習
- Authors: Nikolaos Evangelou, Felix Dietrich, Juan M. Bello-Rivas, Alex Yeh,
Rachel Stein, Michael A. Bevan, Ioannis G. Kevekidis
- Abstract要約: 我々はDiffusion Maps(多様体学習アルゴリズム)を用いて、有用な潜在可観測物の集合を同定する。
得られた変数と学習力学がブラウン力学シミュレーションの物理を正確にエンコードしていることを示す。
我々の次元の減少/還元モデル同定アプローチは、幅広い種類の粒子系力学実験/モデルに容易に移植できる。
- 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: We construct a reduced, data-driven, parameter dependent effective Stochastic
Differential Equation (eSDE) for electric-field mediated colloidal
crystallization using data obtained from Brownian Dynamics Simulations. We use
Diffusion Maps (a manifold learning algorithm) to identify a set of useful
latent observables. In this latent space we identify an eSDE using a deep
learning architecture inspired by numerical stochastic integrators and compare
it with the traditional Kramers-Moyal expansion estimation. We show that the
obtained variables and the learned dynamics accurately encode the physics of
the Brownian Dynamic Simulations. We further illustrate that our reduced model
captures the dynamics of corresponding experimental data. Our dimension
reduction/reduced model identification approach can be easily ported to a broad
class of particle systems dynamics experiments/models.
- Abstract(参考訳): ブラウン力学シミュレーションから得られたデータを用いて,電場媒介コロイド結晶化のための還元,データ駆動,パラメータ依存の有効確率微分方程式(esde)を構築した。
我々はDiffusion Maps(多様体学習アルゴリズム)を用いて、有用な潜在可観測物の集合を特定する。
この潜在空間では、数値確率積分器にインスパイアされたディープラーニングアーキテクチャを用いてeSDEを特定し、従来のクラマース・モヤル展開推定と比較する。
得られた変数と学習したダイナミクスがブラウン力学シミュレーションの物理を正確にエンコードしていることを示す。
さらに, 縮小モデルが対応する実験データのダイナミクスを捉えていることを示す。
次元縮小/縮小モデル同定アプローチは, 粒子系の動力学実験/模型の幅広いクラスに容易に移植できる。
関連論文リスト
- 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) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳(メタデータ) (2023-10-10T13:23:05Z) - A Geometric Perspective on Diffusion Models [60.69328526215776]
本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングを検証し,そのサンプリングダイナミクスの興味深い構造を明らかにした。
我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
論文 参考訳(メタデータ) (2023-05-31T15:33:16Z) - 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) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-02-18T22:41:51Z) - 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 data-driven peridynamic continuum model for upscaling molecular
dynamics [3.1196544696082613]
分子動力学データから最適線形ペリダイナミックソリッドモデルを抽出する学習フレームワークを提案する。
我々は,符号変化の影響関数を持つ離散化LPSモデルに対して,十分な適切な正当性条件を提供する。
このフレームワークは、結果のモデルが数学的に適切であり、物理的に一貫したものであり、トレーニング中に使用するものと異なる設定によく当てはまることを保証します。
論文 参考訳(メタデータ) (2021-08-04T07:07:47Z) - Learning effective stochastic differential equations from microscopic
simulations: combining stochastic numerics and deep learning [0.46180371154032895]
ニューラルネットワークを用いた実効SDEにおけるドリフトと拡散関数を近似した。
当社のアプローチでは、長いトラジェクトリを必要とせず、散在するスナップショットデータで動作し、スナップショット毎に異なるタイムステップを自然に処理するように設計されています。
論文 参考訳(メタデータ) (2021-06-10T13:00:18Z) - Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening
Simulations [58.720142291102135]
動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。
本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
論文 参考訳(メタデータ) (2021-04-28T22:14:25Z) - A Differentiable Newton Euler Algorithm for Multi-body Model Learning [34.558299591341]
我々はニュートン・オイラー方程式を具現化した計算グラフアーキテクチャを動機付けている。
本稿では、制約のない物理的プラウジブルダイナミクスを実現するために使用される仮想パラメータについて述べる。
従来のホワイトボックスシステム同定手法で要求されるキネマティックパラメータは,データから正確に推定可能であることを示す。
論文 参考訳(メタデータ) (2020-10-19T19:30:33Z)
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。