論文の概要: D-CIPHER: Discovery of Closed-form PDEs
- arxiv url: http://arxiv.org/abs/2206.10586v1
- Date: Tue, 21 Jun 2022 17:59:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-22 18:14:45.053253
- Title: D-CIPHER: Discovery of Closed-form PDEs
- Title(参考訳): D-CIPHER:閉形PDEの発見
- Authors: Krzysztof Kacprzyk, Zhaozhi Qian, Mihaela van der Schaar
- Abstract要約: D-CIPHERは人工物の測定に頑健であり、微分方程式の新しい、非常に一般的なクラスを発見できる。
また,D-CIPHERを効率的に探索するための新しい最適化手法であるCoLLieを設計する。
- 参考スコア(独自算出の注目度): 86.52703093858631
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Closed-form differential equations, including partial differential equations
and higher-order ordinary differential equations, are one of the most important
tools used by scientists to model and better understand natural phenomena.
Discovering these equations directly from data is challenging because it
requires modeling relationships between various derivatives that are not
observed in the data (\textit{equation-data mismatch}) and it involves
searching across a huge space of possible equations. Current approaches make
strong assumptions about the form of the equation and thus fail to discover
many well-known systems. Moreover, many of them resolve the equation-data
mismatch by estimating the derivatives, which makes them inadequate for noisy
and infrequently sampled systems. To this end, we propose D-CIPHER, which is
robust to measurement artifacts and can uncover a new and very general class of
differential equations. We further design a novel optimization procedure,
CoLLie, to help D-CIPHER search through this class efficiently. Finally, we
demonstrate empirically that it can discover many well-known equations that are
beyond the capabilities of current methods.
- Abstract(参考訳): 偏微分方程式や高次常微分方程式を含む閉形式微分方程式は、科学者が自然現象をモデル化し理解するのに最も重要な道具の一つである。
データからこれらの方程式を直接発見することは、データで観測されない様々な微分(\textit{equation-data mismatch})間の関係をモデル化する必要があるため、困難である。
現在のアプローチは方程式の形式について強い仮定をしており、多くのよく知られたシステムを見つけられなかった。
さらに、導関数を推定することで方程式データミスマッチを解消することが多く、ノイズやサンプルの少ないシステムでは不十分である。
この目的のために,D-CIPHERを提案する。これは人工物の測定に頑健であり,新しい,非常に一般的な微分方程式のクラスを明らかにすることができる。
さらに,D-CIPHERを効率的に探索するための新しい最適化手法であるCoLLieを設計する。
最後に、現在の手法の能力を超える多くのよく知られた方程式を発見できることを実証的に示す。
関連論文リスト
- Deep Generative Symbolic Regression [83.04219479605801]
記号回帰は、データから簡潔な閉形式数学的方程式を発見することを目的としている。
既存の手法は、探索から強化学習まで、入力変数の数に応じてスケールできない。
本稿では,我々のフレームワークであるDeep Generative Symbolic Regressionのインスタンス化を提案する。
論文 参考訳(メタデータ) (2023-12-30T17:05:31Z) - Towards true discovery of the differential equations [57.089645396998506]
微分方程式探索は、解釈可能なモデルを開発するために使用される機械学習サブフィールドである。
本稿では,専門家の入力を伴わない独立方程式発見のための前提条件とツールについて検討する。
論文 参考訳(メタデータ) (2023-08-09T12:03:12Z) - Discovering ordinary differential equations that govern time-series [65.07437364102931]
本研究では, 1つの観測解の時系列データから, スカラー自律常微分方程式(ODE)を記号形式で復元するトランスフォーマーに基づくシーケンス・ツー・シーケンス・モデルを提案する。
提案手法は, 1回に一度, ODE の大規模な事前訓練を行った後, モデルのいくつかの前方通過において, 新たに観測された解の法則を推測することができる。
論文 参考訳(メタデータ) (2022-11-05T07:07:58Z) - Neural Laplace: Learning diverse classes of differential equations in
the Laplace domain [86.52703093858631]
本稿では,これらすべてを含む多種多様な微分方程式(DE)を学習するための統一的な枠組みを提案する。
時間領域の力学をモデル化する代わりに、ラプラス領域でモデル化する。
The experiment, Neural Laplace shows excellent performance in modelling and extrapolating the trajectories of various class of DEs。
論文 参考訳(メタデータ) (2022-06-10T02:14:59Z) - Discovery of Nonlinear Dynamical Systems using a Runge-Kutta Inspired
Dictionary-based Sparse Regression Approach [9.36739413306697]
機械学習と辞書ベースの学習を数値解析ツールと組み合わせ,微分方程式の制御を探索する。
我々は、サンプリング体制を超えてよりよく一般化しやすい解釈可能で準同型モデルを得る。
生物ネットワークに通常現れる有理非線形性を含む支配方程式の拡張について論じる。
論文 参考訳(メタデータ) (2021-05-11T08:46:51Z) - A Probabilistic State Space Model for Joint Inference from Differential
Equations and Data [23.449725313605835]
ベイズフィルタを用いて解過程を直接句する常微分方程式 (odes) の解法の新しいクラスを示す。
その後、拡張カルマンフィルタの単一の線形複雑化パスにおいて、潜力とODE溶液のベイズ推定を近似することができるようになる。
本研究では,covid-19流行データに基づく非パラメトリックsirdモデルを訓練することにより,アルゴリズムの表現力と性能を示す。
論文 参考訳(メタデータ) (2021-03-18T10:36:09Z) - Data-driven Identification of 2D Partial Differential Equations using
extracted physical features [0.0]
本稿では,2次元データから方程式に係わる項を発見するためのML手法を提案する。
このアイデアは、異なる順序の時間微分を持つ2次元方程式を発見し、モデルが訓練されていない新しい基礎物理学を識別することを可能にする。
その結果, 3次元畳み込みニューラルネットワーク(3D CNN)で検出された特徴と比較して, 先行知識に基づいて抽出した特徴のロバスト性を示した。
論文 参考訳(メタデータ) (2020-10-20T21:06:50Z) - The data-driven physical-based equations discovery using evolutionary
approach [77.34726150561087]
与えられた観測データから数学的方程式を発見するアルゴリズムについて述べる。
このアルゴリズムは遺伝的プログラミングとスパース回帰を組み合わせたものである。
解析方程式の発見や偏微分方程式(PDE)の発見にも用いられる。
論文 参考訳(メタデータ) (2020-04-03T17:21:57Z) - Data-Driven Discovery of Coarse-Grained Equations [0.0]
マルチスケールモデリングとシミュレーションは、シミュレーションデータの学習がそのような発見につながる2つの分野である。
我々は、そのようなモデルの人間の発見を、2つのモードで実行できるスパース回帰に基づく機械学習戦略に置き換える。
一連の例は、方程式発見に対する我々のアプローチの正確性、堅牢性、限界を示している。
論文 参考訳(メタデータ) (2020-01-30T23:41:37Z)
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。
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。