論文の概要: ModLaNets: Learning Generalisable Dynamics via Modularity and Physical Inductive Bias

• arxiv url: http://arxiv.org/abs/2206.12325v1
• Date: Fri, 24 Jun 2022 14:54:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-27 13:55:13.183856
• Title: ModLaNets: Learning Generalisable Dynamics via Modularity and Physical Inductive Bias
• Title（参考訳）: ModLaNets: モジュラリティと物理的誘導バイアスによる一般的なダイナミクスの学習
• Authors: Yupu Lu, Shijie Lin, Guanqi Chen, Jia Pan
• Abstract要約: モジュラリティと物理的帰納バイアスを有する構造的ニューラルネットワークフレームワークを提案する。 このフレームワークはモジュラリティを用いて各要素のエネルギーをモデル化し、ラグランジュ力学を介して対象の力学系を構築する。 トレーニングデータセットの小さい二重振り子または3体システムのモデリングフレームワークについて検討する。
• 参考スコア（独自算出の注目度）: 14.474273671369584
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning models are able to approximate one specific dynamical system but struggle at learning generalisable dynamics, where dynamical systems obey the same laws of physics but contain different numbers of elements (e.g., double- and triple-pendulum systems). To relieve this issue, we proposed the Modular Lagrangian Network (ModLaNet), a structural neural network framework with modularity and physical inductive bias. This framework models the energy of each element using modularity and then construct the target dynamical system via Lagrangian mechanics. Modularity is beneficial for reusing trained networks and reducing the scale of networks and datasets. As a result, our framework can learn from the dynamics of simpler systems and extend to more complex ones, which is not feasible using other relevant physics-informed neural networks. We examine our framework for modelling double-pendulum or three-body systems with small training datasets, where our models achieve the best data efficiency and accuracy performance compared with counterparts. We also reorganise our models as extensions to model multi-pendulum and multi-body systems, demonstrating the intriguing reusable feature of our framework.
• Abstract（参考訳）: 深層学習モデルは1つの特定の力学系を近似することができるが、力学系は同じ物理法則に従うが、異なる数の要素(二重および三重振り子系)を含む一般力学の学習に苦慮する。 この問題を解消するために、モジュラリティと物理的帰納バイアスを備えた構造ニューラルネットワークフレームワークであるModLaNet(Modular Lagrangian Network)を提案した。 このフレームワークはモジュラリティを用いて各要素のエネルギーをモデル化し、ラグランジアン力学を介して対象の力学系を構築する。 モジュール性は、トレーニングされたネットワークの再利用と、ネットワークとデータセットのスケールの削減に有用である。 結果として、我々のフレームワークはより単純なシステムのダイナミクスから学び、より複雑なものへと拡張することができる。 トレーニングデータセットの少ない二重振り子または3体システムのモデリングフレームワークについて検討し,本モデルがデータ効率と精度を比較検討した。 また,マルチペンデュラムシステムやマルチボディシステムのモデル拡張としてモデルを再編成し,フレームワークの興味深い再利用可能な機能を示す。

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)
• Modular Deep Learning [120.36599591042908]
  トランスファーラーニングは近年、機械学習の主要なパラダイムとなっている。 負の干渉を伴わずに複数のタスクを専門とするモデルを開発する方法はまだ不明である。 これらの課題に対する有望な解決策として、モジュール型ディープラーニングが登場した。
  論文  参考訳（メタデータ） (2023-02-22T18:11:25Z)
• Compositional Learning of Dynamical System Models Using Port-Hamiltonian Neural Networks [32.707730631343416]
  データから動的システムの複合モデルを学ぶためのフレームワークを提案する。 ニューラルネットワークサブモデルは、比較的単純なサブシステムによって生成された軌跡データに基づいて訓練される。 提案するフレームワークの新機能を数値例で示す。
  論文  参考訳（メタデータ） (2022-12-01T22:22:38Z)
• Learning Modular Simulations for Homogeneous Systems [23.355189771765644]
  等質多体力学系をモデル化するためのモジュラーシミュレーションフレームワークを提案する。 任意の数の加群を組み合わせることで、様々な結合トポロジーの系をシミュレートすることができる。 我々のモデルは、スクラッチからトレーニングされたモデルと比較して、データ要件やトレーニングの労力が低い新しいシステム構成に移行可能であることを示しています。
  論文  参考訳（メタデータ） (2022-10-28T17:48:01Z)
• 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)
• Constructing Neural Network-Based Models for Simulating Dynamical Systems [59.0861954179401]
  データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。 本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。 基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
  論文  参考訳（メタデータ） (2021-11-02T10:51:42Z)
• Multi-Robot Deep Reinforcement Learning for Mobile Navigation [82.62621210336881]
  階層的統合モデル(HInt)を用いた深層強化学習アルゴリズムを提案する。 トレーニング時には、HIntは別々の知覚モデルとダイナミクスモデルを学び、テスト時には、HIntは2つのモデルを階層的な方法で統合し、統合モデルとアクションを計画する。 我々のモバイルナビゲーション実験は、HIntが従来の階層的ポリシーや単一ソースアプローチよりも優れていることを示している。
  論文  参考訳（メタデータ） (2021-06-24T19:07:40Z)
• S2RMs: Spatially Structured Recurrent Modules [105.0377129434636]
  モジュール構造とテンポラル構造の両方を同時に活用できる動的構造を利用するための一歩を踏み出します。 我々のモデルは利用可能なビューの数に対して堅牢であり、追加のトレーニングなしで新しいタスクに一般化できる。
  論文  参考訳（メタデータ） (2020-07-13T17:44:30Z)
• 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。

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。