論文の概要: Algebraic and machine learning approach to hierarchical triple-star stability

• arxiv url: http://arxiv.org/abs/2207.03151v1
• Date: Thu, 7 Jul 2022 08:29:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-08 14:51:41.438716
• Title: Algebraic and machine learning approach to hierarchical triple-star stability
• Title（参考訳）: 階層的三つ星安定性に対する代数的および機械学習アプローチ
• Authors: Pavan Vynatheya, Adrian S. Hamers, Rosemary A. Mardling and Earl P. Bellinger
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present two approaches to determine the dynamical stability of a hierarchical triple-star system. The first is an improvement on the semi-analytical stability criterion of Mardling & Aarseth (2001), where we introduce a dependence on inner orbital eccentricity and improve the dependence on mutual orbital inclination. The second involves a machine learning approach, where we use a multilayer perceptron (MLP) to classify triple-star systems as `stable' and `unstable'. To achieve this, we generate a large training data set of 10^6 hierarchical triples using the N-body code MSTAR. Both our approaches perform better than the original Mardling & Aarseth (2001) stability criterion, with the MLP model performing the best. The improved stability formula and the machine learning model have overall classification accuracies of 93 % and 95 % respectively. Our MLP model, which accurately predicts the stability of any hierarchical triple-star system within the parameter ranges studied with almost no computation required, is publicly available on Github in the form of an easy-to-use Python script.
• Abstract（参考訳）: 階層型三重星系の力学安定性を決定する2つの手法を提案する。 1つ目は、mardling & aarseth(2001)の半解析的安定性基準の改善であり、ここでは軌道離心率への依存性を導入し、軌道傾斜角への依存性を改善する。 2つ目は機械学習のアプローチで、3重星系を 'stable' と 'unstable' に分類するために多層パーセプトロン(MLP)を使用する。 これを実現するために,N-body code MSTARを用いて,10^6階層の大規模トレーニングデータセットを生成する。 両アプローチは,MLPモデルが最も優れた安定性基準(2001年)よりも優れていた。 改良された安定性公式と機械学習モデルはそれぞれ93%と95%の全体的な分類精度を有する。 パラメータ範囲内での階層的三つ星系の安定性をほぼ必要とせずに正確に予測するMPPモデルは,使い易いPythonスクリプトの形でGithubで公開されている。

関連論文リスト

• SPOCK 2.0: Update to the FeatureClassifier in the Stability of Planetary Orbital Configurations Klassifier [0.0]
  惑星軌道構成の安定性 Klassifier (SPOCK) パッケージは、コンパクトな惑星系の安定性と衝突進化を予測する機械学習モデルを収集する。 我々はSPOCKのバイナリ安定性分類器(FeatureClassifier)を改良し、システムの短いN体積分によるデータ収集により軌道安定性を予測する。 10万以上のユニークな統合のデータセットをクリーン化し、新たにトレーニングされた安定性分類モデルをリリースし、APIをマイナーアップデートします。
  論文  参考訳（メタデータ） (2025-01-25T01:48:46Z)
• Distributionally Robust Model-based Reinforcement Learning with Large State Spaces [55.14361269378122]
  強化学習における3つの大きな課題は、大きな状態空間を持つ複雑な力学系、コストのかかるデータ取得プロセス、トレーニング環境の展開から現実の力学を逸脱させることである。 広範に用いられているKullback-Leibler, chi-square, および全変分不確実性集合の下で, 連続状態空間を持つ分布ロバストなマルコフ決定過程について検討した。 本稿では,ガウス過程と最大分散削減アルゴリズムを用いて,多出力名目遷移力学を効率的に学習するモデルベースアプローチを提案する。
  論文  参考訳（メタデータ） (2023-09-05T13:42:11Z)
• Numerically Stable Sparse Gaussian Processes via Minimum Separation using Cover Trees [57.67528738886731]
  誘導点に基づくスケーラブルスパース近似の数値安定性について検討する。 地理空間モデリングなどの低次元タスクに対しては,これらの条件を満たす点を自動計算する手法を提案する。
  論文  参考訳（メタデータ） (2022-10-14T15:20:17Z)
• Predicting the Stability of Hierarchical Triple Systems with Convolutional Neural Networks [68.8204255655161]
  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。
  論文  参考訳（メタデータ） (2022-06-24T17:58:13Z)
• KCRL: Krasovskii-Constrained Reinforcement Learning with Guaranteed Stability in Nonlinear Dynamical Systems [66.9461097311667]
  形式的安定性を保証するモデルに基づく強化学習フレームワークを提案する。 提案手法は,特徴表現を用いて信頼区間までシステムダイナミクスを学習する。 我々は、KCRLが、基礎となる未知のシステムとの有限数の相互作用において安定化ポリシーを学ぶことが保証されていることを示す。
  論文  参考訳（メタデータ） (2022-06-03T17:27:04Z)
• Efficient Model-based Multi-agent Reinforcement Learning via Optimistic Equilibrium Computation [93.52573037053449]
  H-MARL (Hallucinated Multi-Agent Reinforcement Learning) は,環境と数回交流した後の平衡政策を学習する。 自律運転シミュレーションベンチマークにおいて,本手法を実験的に実証した。
  論文  参考訳（メタデータ） (2022-03-14T17:24:03Z)
• Learning Stable Koopman Embeddings [9.239657838690228]
  本稿では,非線形システムの安定モデル学習のための新しいデータ駆動手法を提案する。 離散時間非線形契約モデルはすべて、我々のフレームワークで学習できることを実証する。
  論文  参考訳（メタデータ） (2021-10-13T05:44:13Z)
• Gaussian Process-based Min-norm Stabilizing Controller for Control-Affine Systems with Uncertain Input Effects and Dynamics [90.81186513537777]
  本稿では,この問題の制御・アフィン特性を捉えた新しい化合物カーネルを提案する。 この結果の最適化問題は凸であることを示し、ガウス過程に基づく制御リャプノフ関数第二次コーンプログラム(GP-CLF-SOCP)と呼ぶ。
  論文  参考訳（メタデータ） (2020-11-14T01:27:32Z)
• Actor-Critic Reinforcement Learning for Control with Stability Guarantee [9.400585561458712]
  強化学習(RL)と深層学習の統合は、様々なロボット制御タスクにおいて印象的なパフォーマンスを達成した。 しかし、データのみを用いることで、モデルフリーなRLでは安定性は保証されない。 本稿では,古典的なリアプノフ法を制御理論に適用することにより,閉ループ安定性を保証できるアクタクリティカルな制御用RLフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-29T16:14:30Z)

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。