論文の概要: A Model-Constrained Tangent Manifold Learning Approach for Dynamical
Systems
- arxiv url: http://arxiv.org/abs/2208.04995v1
- Date: Tue, 9 Aug 2022 18:42:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-11 12:42:46.649998
- Title: A Model-Constrained Tangent Manifold Learning Approach for Dynamical
Systems
- Title(参考訳): 力学系に対するモデル制約付き接多様体学習手法
- Authors: Hai Van Nguyen, Tan Bui-Thanh
- Abstract要約: 大規模複雑な力学系のリアルタイムの正確な解法は、制御、最適化、不確実性、意思決定に極めて必要である。
本稿では,モデル制約付き接多様体学習(mcTangent)アプローチの方向性に寄与する。
- 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: Real time accurate solutions of large scale complex dynamical systems are in
critical need for control, optimization, uncertainty quantification, and
decision-making in practical engineering and science applications. This paper
contributes in this direction a model constrained tangent manifold learning
(mcTangent) approach. At the heart of mcTangent is the synergy of several
desirable strategies: i) a tangent manifold learning to take advantage of the
neural network speed and the time accurate nature of the method of lines; ii) a
model constrained approach to encode the neural network tangent with the
underlying governing equations; iii) sequential learning strategies to promote
long time stability and accuracy; and iv) data randomization approach to
implicitly enforce the smoothness of the neural network tangent and its
likeliness to the truth tangent up second order derivatives in order to further
enhance the stability and accuracy of mcTangent solutions. Both semi heuristic
and rigorous arguments are provided to analyze and justify the proposed
approach. Several numerical results for transport equation, viscous Burgers
equation, and Navier Stokes equation are presented to study and demonstrate the
capability of the proposed mcTangent learning approach.
- Abstract(参考訳): 大規模複雑力学系のリアルタイム高精度解は, 制御, 最適化, 不確実性定量化, 意思決定など, 工学, 科学の応用において不可欠である。
本稿では,モデル制約付き接多様体学習(mcTangent)アプローチの方向性に寄与する。
mcTangentの中心は、いくつかの望ましい戦略のシナジーである。
一 ニューラルネットワークの速度及び行の方法の時間的正確性を利用した接多様体学習
二 基礎となる支配方程式と接するニューラルネットワークを符号化するためのモデル制約付きアプローチ
三 長期の安定性及び正確性を促進するための逐次学習戦略
四 マッタンジェント解の安定性及び精度をさらに高めるために、二階導関数を絡む真理に対するニューラルネットワークの接点及び類似点の滑らかさを暗黙的に強制するためのデータランダム化アプローチ
半ヒューリスティックかつ厳密な議論は、提案されたアプローチを分析し正当化するために提供される。
輸送方程式,粘性バーガース方程式,ナビエストークス方程式の数値計算結果を提示し,提案したmcTangent学習手法の有効性を実証した。
関連論文リスト
- Semi-Implicit Neural Ordinary Differential Equations [5.196303789025002]
基礎となる力学の分割可能な構造を利用する半単純ニューラルODE手法を提案する。
我々の手法は、既存のアプローチよりも大きな計算上の優位性を持つ暗黙のニューラルネットワークにつながる。
論文 参考訳(メタデータ) (2024-12-15T20:21:02Z) - 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) - Modeling Latent Neural Dynamics with Gaussian Process Switching Linear Dynamical Systems [2.170477444239546]
ガウス過程スイッチング線形力学系(gpSLDS)の2つの目的をバランスさせるアプローチを開発する。
我々の手法は、非線形力学をガウス過程(GP-SDE)で記述した微分方程式による潜在状態の進化をモデル化した以前の研究に基づいている。
本手法は, 離散状態境界近傍の力学における人工振動など, rSLDS の重要な限界を解消するとともに, 力学の後方不確かさを推定する。
論文 参考訳(メタデータ) (2024-07-19T15:32:15Z) - Enhancing Low-Order Discontinuous Galerkin Methods with Neural Ordinary Differential Equations for Compressible Navier--Stokes Equations [0.1578515540930834]
圧縮可能なNavier-Stokes方程式を解くためのエンドツーエンドの微分可能なフレームワークを提案する。
この統合アプローチは、微分可能不連続なガレルキン解法とニューラルネットワークのソース項を組み合わせる。
提案するフレームワークの性能を2つの例で示す。
論文 参考訳(メタデータ) (2023-10-29T04:26:23Z) - Non-Parametric Learning of Stochastic Differential Equations with Non-asymptotic Fast Rates of Convergence [65.63201894457404]
非線形微分方程式のドリフトと拡散係数の同定のための新しい非パラメトリック学習パラダイムを提案する。
鍵となる考え方は、基本的には、対応するフォッカー・プランク方程式のRKHSに基づく近似をそのような観測に適合させることである。
論文 参考訳(メタデータ) (2023-05-24T20:43:47Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳(メタデータ) (2023-04-08T07:55:36Z) - Implicit Stochastic Gradient Descent for Training Physics-informed
Neural Networks [51.92362217307946]
物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。
PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。
本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
論文 参考訳(メタデータ) (2023-03-03T08:17:47Z) - Bayesian Spline Learning for Equation Discovery of Nonlinear Dynamics
with Quantified Uncertainty [8.815974147041048]
本研究では,非線形(時空間)力学の擬似的支配方程式を,定量化された不確実性を伴うスパースノイズデータから同定する枠組みを開発した。
提案アルゴリズムは、正準常微分方程式と偏微分方程式によって制御される複数の非線形力学系に対して評価される。
論文 参考訳(メタデータ) (2022-10-14T20:37:36Z) - Distributional Gradient Matching for Learning Uncertain Neural Dynamics
Models [38.17499046781131]
本稿では,数値積分ボトルネックを回避するため,不確実なニューラル・オーダを推定するための新しい手法を提案する。
我々のアルゴリズム - 分布勾配マッチング (DGM) は、よりスムーズなモデルと動的モデルを共同で訓練し、ワッサーシュタイン損失を最小化することでそれらの勾配と一致する。
数値積分に基づく従来の近似推論手法と比較して,我々の手法は訓練がより速く,これまで見つからなかった軌道の予測がより高速であり,ニューラルODEの文脈では,はるかに正確であることがわかった。
論文 参考訳(メタデータ) (2021-06-22T08:40:51Z) - Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。
我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
論文 参考訳(メタデータ) (2021-06-03T00:02:05Z) - Provably Efficient Neural Estimation of Structural Equation Model: An
Adversarial Approach [144.21892195917758]
一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。
線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。
提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
論文 参考訳(メタデータ) (2020-07-02T17:55:47Z)
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。