論文の概要: Predicting the Stability of Hierarchical Triple Systems with
Convolutional Neural Networks
- arxiv url: http://arxiv.org/abs/2206.12402v1
- Date: Fri, 24 Jun 2022 17:58:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-27 14:53:07.902597
- Title: Predicting the Stability of Hierarchical Triple Systems with
Convolutional Neural Networks
- Title(参考訳): 畳み込みニューラルネットワークを用いた階層型三重系の安定性予測
- Authors: Florian Lalande and Alessandro Alberto Trani
- Abstract要約: 本稿では,階層型三重項の安定性を予測する畳み込みニューラルネットワークモデルを提案する。
すべてのトレーニングされたモデルは公開されており、純粋な$N$-bodyメソッドよりも200ドルの速さで階層的な3重システムの安定性を予測することができる。
- 参考スコア(独自算出の注目度): 68.8204255655161
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Understanding the long-term evolution of hierarchical triple systems is
challenging due to its inherent chaotic nature, and it requires computationally
expensive simulations. Here we propose a convolutional neural network model to
predict the stability of hierarchical triples by looking at their evolution
during the first $5 \times 10^5$ inner binary orbits. We employ the regularized
few-body code \textsc{tsunami} to simulate $5\times 10^6$ hierarchical triples,
from which we generate a large training and test dataset. We develop twelve
different network configurations that use different combinations of the
triples' orbital elements and compare their performances. Our best model uses 6
time-series, namely, the semimajor axes ratio, the inner and outer
eccentricities, the mutual inclination and the arguments of pericenter. This
model achieves an area under the curve of over $95\%$ and informs of the
relevant parameters to study triple systems stability. All trained models are
made publicly available, allowing to predict the stability of hierarchical
triple systems $200$ times faster than pure $N$-body methods.
- Abstract(参考訳): 階層的三重システムの長期的な進化を理解することは、その固有のカオス性から困難であり、計算コストの高いシミュレーションを必要とする。
本稿では,第1次5次2次軌道の進化を観測することにより,階層型三重項の安定性を予測する畳み込みニューラルネットワークモデルを提案する。
正規化された小体コード \textsc{tsunami} を用いて,5\times 10^6$hierarchical triples をシミュレートし,そこから大規模なトレーニングとテストデータセットを生成する。
我々は、トリプルの軌道要素の異なる組み合わせを利用する12の異なるネットワーク構成を開発し、それらの性能を比較する。
我々の最良のモデルは6つの時系列、すなわち半大軸比、内側と外側の偏心率、相互傾斜および周辺中心の議論を用いる。
このモデルは 95\%$ 以上の曲線の下の領域を達成し、関連するパラメータを知らせて三重系の安定性を研究する。
すべてのトレーニングされたモデルが公開されており、純粋な$n$-bodyメソッドよりも200ドルの高速で階層的な3重システムの安定性を予測できる。
関連論文リスト
- SE(3)-Stochastic Flow Matching for Protein Backbone Generation [54.951832422425454]
本稿では,3textD$の剛性運動に対するフローマッチングパラダイムに基づく,モデリング能力向上のための新しい生成モデルについて紹介する。
我々のモデルは、タンパク質の生成的モデリングに対するこれまでのアプローチに対して、いくつかの重要な利点を提供している。
論文 参考訳(メタデータ) (2023-10-03T19:24:24Z) - Simulating first-order phase transition with hierarchical autoregressive
networks [0.04588028371034406]
階層型自己回帰ニューラルネットワーク(HAN)ネットワークサンプリングアルゴリズムを2次元の$Q$状態ポッツモデルに適用する。
本稿では,一階相転移近傍のアプローチの性能を定量化し,Wolffクラスタアルゴリズムと比較する。
論文 参考訳(メタデータ) (2022-12-09T16:04:56Z) - Offline Reinforcement Learning at Multiple Frequencies [62.08749079914275]
本研究では、オフライン強化学習アルゴリズムが、トレーニング中に複数の周波数を混合したデータに対応できるかどうかについて検討する。
学習を安定させるために$Q$-valueの更新率で一貫性を強制する、単純だが効果的なソリューションを提案する。
論文 参考訳(メタデータ) (2022-07-26T17:54:49Z) - Algebraic and machine learning approach to hierarchical triple-star
stability [0.0]
階層型三つ星系の安定性を決定するための2つの方法を提案する。
1つ目は、Mardling & Aarseth (2001) の半解析的安定性基準の改善である。
二つ目は機械学習のアプローチで、3重星系を「安定かつ不安定」と分類するために多層パーセプトロン(MLP)を用いる。
論文 参考訳(メタデータ) (2022-07-07T08:29:17Z) - Zero Stability Well Predicts Performance of Convolutional Neural
Networks [6.965550605588623]
通常の微分方程式の離散解法がゼロ安定であれば、その解法に対応するCNNはよく機能する。
予備観測に基づいて,CNNの構成とゼロ安定ネットワーク(ZeroSNet)の高次離散化を提案する。
ZeroSNetの安定性を保証するため、まず、整合性条件を満たす構造を導出し、訓練不要パラメータのゼロ安定領域を与える。
論文 参考訳(メタデータ) (2022-06-27T08:07:08Z) - Scaling Structured Inference with Randomization [64.18063627155128]
本稿では、構造化されたモデルを数万の潜在状態に拡張するためにランダム化された動的プログラミング(RDP)のファミリを提案する。
我々の手法は古典的DPベースの推論に広く適用できる。
また、自動微分とも互換性があり、ニューラルネットワークとシームレスに統合できる。
論文 参考訳(メタデータ) (2021-12-07T11:26:41Z) - Robust Online Control with Model Misspecification [96.23493624553998]
本研究では,未知の非線形力学系のモデル不特定性を考慮したオンライン制御について検討する。
本研究は, 線形近似からの偏差を許容できる程度に測定できるロバスト性に着目した。
論文 参考訳(メタデータ) (2021-07-16T07:04:35Z) - Towards an Understanding of Benign Overfitting in Neural Networks [104.2956323934544]
現代の機械学習モデルは、しばしば膨大な数のパラメータを使用し、通常、トレーニング損失がゼロになるように最適化されている。
ニューラルネットワークの2層構成において、これらの良質な過適合現象がどのように起こるかを検討する。
本稿では,2層型ReLUネットワーク補間器を極小最適学習率で実現可能であることを示す。
論文 参考訳(メタデータ) (2021-06-06T19:08:53Z) - A Bayesian neural network predicts the dissolution of compact planetary
systems [2.261581864118072]
我々は,この問題をコンパクトシステムで推進するために,ディープラーニングアーキテクチャを導入する。
私達のモデルは分析の推定器より不安定な時間を予測で2桁以上正確です。
私たちの推論モデルは、トレーニングコードをオープンソース化したspockパッケージで公開されています。
論文 参考訳(メタデータ) (2021-01-11T19:00:00Z) - Prediction of wall-bounded turbulence from wall quantities using
convolutional neural networks [0.0]
完全畳み込みニューラルネットモデルを用いて,壁面正規位置の流速場を予測する。
様々なネットワークが3つの内部スケールの場所で予測するために訓練されている。
論文 参考訳(メタデータ) (2019-12-30T15:34:41Z)
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。