論文の概要: D-CIPHER: Discovery of Closed-form Partial Differential Equations

• arxiv url: http://arxiv.org/abs/2206.10586v3
• Date: Wed, 29 Nov 2023 18:23:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-01 04:26:07.783045
• Title: D-CIPHER: Discovery of Closed-form Partial Differential Equations
• Title（参考訳）: D-CIPHER:閉形式部分微分方程式の発見
• 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。 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。
• 参考スコア（独自算出の注目度）: 80.46395274587098
• 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 (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(方程式-データミスマッチ)で観測されない様々な導関数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

• A Deep Learning approach for parametrized and time dependent Partial Differential Equations using Dimensionality Reduction and Neural ODEs [46.685771141109306]
  時間依存・パラメトリック・(典型的には)非線形PDEに対する古典的数値解法と類似した自己回帰・データ駆動手法を提案する。 DRを活用することで、より正確な予測を提供するだけでなく、より軽量でより高速なディープラーニングモデルを提供できることを示す。
  論文  参考訳（メタデータ） (2025-02-12T11:16:15Z)
• Differentiable Programming for Differential Equations: A Review [36.67198631261628]
  微分可能プログラミングは現代の科学計算の基盤である。 微分方程式の数値解に基づく微分関数は非自明である。 本稿では、微分方程式の数値解の微分を計算するための既存の手法を概観する。
  論文  参考訳（メタデータ） (2024-06-14T03:54:25Z)
• ConDiff: A Challenging Dataset for Neural Solvers of Partial Differential Equations [40.6591136324878]
  本稿では,科学的機械学習のための新しいデータセットであるConDiffを紹介する。 ConDiffは、偏微分方程式(PDE)の多くの応用における基本的な問題である空間依存係数を持つパラメトリック拡散方程式に焦点を当てている。 この種の問題は、学術的な関心事だけでなく、様々な環境・産業問題の記述の基礎にもなっている。 このようにして、ConDiffは、完全な合成と使いやすさを維持しながら、現実世界の問題とのギャップを短くする。
  論文  参考訳（メタデータ） (2024-06-07T07:35:14Z)
• 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)
• Symbolic Recovery of Differential Equations: The Identifiability Problem [52.158782751264205]
  微分方程式の記号的回復は、支配方程式の導出を自動化する野心的な試みである。 関数が対応する微分方程式を一意に決定するために必要な条件と十分な条件の両方を提供する。 この結果を用いて、関数が微分方程式を一意に解くかどうかを判定する数値アルゴリズムを考案する。
  論文  参考訳（メタデータ） (2022-10-15T17:32:49Z)
• 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)
• 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)

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。