論文の概要: Port-Hamiltonian Neural Networks with State Dependent Ports

• arxiv url: http://arxiv.org/abs/2206.02660v1
• Date: Mon, 6 Jun 2022 14:57:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-07 18:26:14.452413
• Title: Port-Hamiltonian Neural Networks with State Dependent Ports
• Title（参考訳）: 状態依存型ポートを持つポート・ハミルトンニューラルネットワーク
• Authors: S{\o}lve Eidnes, Alexander J. Stasik, Camilla Sterud, Eivind B{\o}hn and Signe Riemer-S{\o}rensen
• Abstract要約: 本手法は,数個の内力および外力を持つ単純な質量スプリングシステムと,より複雑で現実的なシステムの両方において,ストレス試験を行う。 ポート-ハミルトンニューラルネットワークは、状態依存型ポートでより大きな次元に拡張することができる。 スパースデータとノイズデータのトレーニングを改善するための対称高次積分器を提案する。
• 参考スコア（独自算出の注目度）: 58.720142291102135
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hybrid machine learning based on Hamiltonian formulations has recently been successfully demonstrated for simple mechanical systems. In this work, we stress-test the method on both simple mass-spring systems and more complex and realistic systems with several internal and external forces, including a system with multiple connected tanks. We quantify performance under various conditions and show that imposing different assumptions greatly affect the performance during training presenting advantages and limitations of the method. We demonstrate that port-Hamiltonian neural networks can be extended to larger dimensions with state-dependent ports. We consider learning on systems with known and unknown external forces and show how it can be used to detect deviations in a system and still provide a valid model when the deviations are removed. Finally, we propose a symmetric high-order integrator for improved training on sparse and noisy data.
• Abstract（参考訳）: ハミルトニアンの定式化に基づくハイブリッド機械学習は、最近、単純な機械システムでうまく実証されている。 本研究では,単純な質量バネシステムと,複数の連成タンクを有するシステムを含む複数の内外力を持つより複雑で現実的なシステムの両方において,この手法をストレステストする。 様々な条件下での性能を定量化し、異なる仮定を課すことが、訓練中の性能に大きな影響を与えることを示す。 ポート-ハミルトンニューラルネットワークは、状態依存型ポートでより大きな次元に拡張可能であることを示す。 我々は、未知の外部力を持つシステムの学習について検討し、システム内の偏差を検知し、偏差を取り除く際に有効なモデルを提供する方法を示す。 最後に,スパースデータおよびノイズデータに対するトレーニングを改善するための対称高次積分器を提案する。

関連論文リスト

• Learning Subsystem Dynamics in Nonlinear Systems via Port-Hamiltonian Neural Networks [0.0]
  ポート・ハミルトンニューラルネットワーク(pHNN)は、物理法則とディープラーニング技術を統合する強力なモデリングツールとして登場している。 本研究では,入力出力測定のみに基づいて,pHNNを用いてサブシステムを特定する手法を提案する。
  論文  参考訳（メタデータ） (2024-11-08T17:41:51Z)
• Learning Controlled Stochastic Differential Equations [61.82896036131116]
  本研究では,非一様拡散を伴う連続多次元非線形微分方程式のドリフト係数と拡散係数の両方を推定する新しい手法を提案する。 我々は、(L2)、(Linfty)の有限サンプル境界や、係数の正則性に適応する学習率を持つリスクメトリクスを含む、強力な理論的保証を提供する。 当社のメソッドはオープンソースPythonライブラリとして利用可能です。
  論文  参考訳（メタデータ） (2024-11-04T11:09:58Z)
• Poisson-Dirac Neural Networks for Modeling Coupled Dynamical Systems across Domains [13.499500088995463]
  幾何学力学からポート・ハミルトニアンとポアソンの定式化を統一するディラック構造に基づく新しい枠組みを提案する。 PoDiNNは、未知の結合力学系をデータからモデル化する際の精度と解釈性を改善する。
  論文  参考訳（メタデータ） (2024-10-15T10:31:22Z)
• Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
  ランダム量子スピン系の進化をモデル化するためにFNOを用いる。 量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
  論文  参考訳（メタデータ） (2024-09-05T07:18:09Z)
• Sample-efficient Model-based Reinforcement Learning for Quantum Control [0.2999888908665658]
  ノイズの多い時間依存ゲート最適化のためのモデルベース強化学習(RL)手法を提案する。 標準モデルフリーRLに比べて,本手法のサンプル複雑性において,桁違いの優位性を示す。 提案アルゴリズムは,部分的特徴付き1量子ビット系と2量子ビット系の制御に適している。
  論文  参考訳（メタデータ） (2023-04-19T15:05:19Z)
• Interfacing Finite Elements with Deep Neural Operators for Fast Multiscale Modeling of Mechanics Problems [4.280301926296439]
  本研究では,機械学習を用いたマルチスケールモデリングのアイデアを探求し,高コストソルバの効率的なサロゲートとしてニューラル演算子DeepONetを用いる。 DeepONetは、きめ細かい解法から取得したデータを使って、基礎とおそらく未知のスケールのダイナミクスを学習してオフラインでトレーニングされている。 精度とスピードアップを評価するための様々なベンチマークを提示し、特に時間依存問題に対する結合アルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-25T20:46:08Z)
• Exact solutions of interacting dissipative systems via weak symmetries [77.34726150561087]
  我々は任意の強い相互作用や非線形性を持つクラスマルコフ散逸系(英語版)のリウヴィリアンを解析的に対角化する。 これにより、フルダイナミックスと散逸スペクトルの正確な記述が可能になる。 我々の手法は他の様々なシステムに適用でき、複雑な駆動散逸量子系の研究のための強力な新しいツールを提供することができる。
  論文  参考訳（メタデータ） (2021-09-27T17:45:42Z)
• 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)
• Controlling nonlinear dynamical systems into arbitrary states using machine learning [77.34726150561087]
  機械学習(ML)を活用した,新しい完全データ駆動制御方式を提案する。 最近開発されたMLに基づく複雑なシステムの予測機能により、非線形系は任意の初期状態から来る任意の動的対象状態に留まることが証明された。 必要なデータ量が少なく,柔軟性の高いコントロールスキームを備えることで,工学から医学まで幅広い応用の可能性について簡単に議論する。
  論文  参考訳（メタデータ） (2021-02-23T16:58:26Z)
• 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)

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。