Fugu-MT 論文翻訳(概要): Learning the Evolution of Correlated Stochastic Power System Dynamics

論文の概要: Learning the Evolution of Correlated Stochastic Power System Dynamics

arxiv url: http://arxiv.org/abs/2207.13310v1
Date: Wed, 27 Jul 2022 05:46:50 GMT
ステータス: 処理完了
システム内更新日: 2022-07-28 14:08:48.165813
Title: Learning the Evolution of Correlated Stochastic Power System Dynamics
Title（参考訳）: 相関確率パワーシステムのダイナミクスの進化を学習する
Authors: Tyler E. Maltba (1 & 2), Vishwas Rao (1), Daniel Adrian Maldonado (1) ((1) Argonne National Laboratory, (2) UC Berkeley)
Abstract要約: 実数値利得の確率密度関数に対する一次元線形偏微分方程式を学習する。この方法は高次元システムに適しており、次元性の呪いを軽減するのに役立つ。
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: A machine learning technique is proposed for quantifying uncertainty in power system dynamics with spatiotemporally correlated stochastic forcing. We learn one-dimensional linear partial differential equations for the probability density functions of real-valued quantities of interest. The method is suitable for high-dimensional systems and helps to alleviate the curse of dimensionality.
Abstract（参考訳）: 時空間的に相関した確率的強制を伴う電力系統力学の不確かさを定量化する機械学習手法を提案する。実数値の利子の確率密度関数に対する一次元線形偏微分方程式を学習する。この方法は高次元システムに適しており、次元性の呪いを軽減するのに役立つ。

関連論文リスト

Learning Controlled Stochastic Differential Equations [61.82896036131116]
本研究では,非一様拡散を伴う連続多次元非線形微分方程式のドリフト係数と拡散係数の両方を推定する新しい手法を提案する。我々は、(L2)、(Linfty)の有限サンプル境界や、係数の正則性に適応する学習率を持つリスクメトリクスを含む、強力な理論的保証を提供する。当社のメソッドはオープンソースPythonライブラリとして利用可能です。
論文参考訳（メタデータ） (2024-11-04T11:09:58Z)
Projected Neural Differential Equations for Learning Constrained Dynamics [3.570367665112327]
本稿では,学習ベクトル場の射影を制約多様体の接空間に向けることで,ニューラル微分方程式を制約する新しい手法を提案する。 PNDEは、ハイパーパラメータを少なくしながら、既存のメソッドよりも優れています。提案手法は、制約付き力学系のモデリングを強化する重要な可能性を示す。
論文参考訳（メタデータ） (2024-10-31T06:32:43Z)
Integrating Physics-Informed Deep Learning and Numerical Methods for Robust Dynamics Discovery and Parameter Estimation [0.0]
本研究では,動的システム理論における2つの課題を解決するために,ディープラーニング手法と微分方程式の古典的数値法を組み合わせる。その結果,カオス力学を示す一連のテスト問題に対する提案手法の有効性が示された。
論文参考訳（メタデータ） (2024-10-05T22:40:02Z)
Physics-Informed Solution of The Stationary Fokker-Plank Equation for a Class of Nonlinear Dynamical Systems: An Evaluation Study [0.0]
Fokker-Planck(FP)方程式の正確な解析解は、力学系の限られた部分集合に対してのみ利用できる。その可能性を評価するために、FP方程式を解くために、データフリーで物理インフォームドニューラルネットワーク(PINN)フレームワークを提案する。
論文参考訳（メタデータ） (2023-09-25T13:17:34Z)
Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
論文参考訳（メタデータ） (2022-02-25T20:00:56Z)
Structure-Preserving Learning Using Gaussian Processes and Variational Integrators [62.31425348954686]
本稿では,機械系の古典力学に対する変分積分器と,ガウス過程の回帰による残留力学の学習の組み合わせを提案する。我々は、既知のキネマティック制約を持つシステムへのアプローチを拡張し、予測の不確実性に関する公式な境界を提供する。
論文参考訳（メタデータ） (2021-12-10T11:09:29Z)
Exact solutions of interacting dissipative systems via weak symmetries [77.34726150561087]
我々は任意の強い相互作用や非線形性を持つクラスマルコフ散逸系(英語版)のリウヴィリアンを解析的に対角化する。これにより、フルダイナミックスと散逸スペクトルの正確な記述が可能になる。我々の手法は他の様々なシステムに適用でき、複雑な駆動散逸量子系の研究のための強力な新しいツールを提供することができる。
論文参考訳（メタデータ） (2021-09-27T17:45:42Z)
Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
論文参考訳（メタデータ） (2021-02-15T19:56:48Z)
Linear embedding of nonlinear dynamical systems and prospects for efficient quantum algorithms [74.17312533172291]
有限非線形力学系を無限線型力学系(埋め込み)にマッピングする方法を述べる。次に、有限線型系 (truncation) による結果の無限線型系を近似するアプローチを検討する。
論文参考訳（メタデータ） (2020-12-12T00:01:10Z)

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。