論文の概要: Learning governing physics from output only measurements
- arxiv url: http://arxiv.org/abs/2208.05609v1
- Date: Thu, 11 Aug 2022 02:24:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-12 13:28:35.138329
- Title: Learning governing physics from output only measurements
- Title（参考訳）: 出力測定のみから物理を統治する学習
- Authors: Tapas Tripura and Souvik Chakraborty
- Abstract要約: 出力のみの測定から力学系の物理を学習する新しい枠組みを提案する。
特に、スパイクとスラブを前もって推進する空間性、ベイズ法、ユーラー・マルヤマ法則を組み合わせて、データから支配物理学を識別する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Extracting governing physics from data is a key challenge in many areas of
science and technology. The existing techniques for equations discovery are
dependent on both input and state measurements; however, in practice, we only
have access to the output measurements only. We here propose a novel framework
for learning governing physics of dynamical system from output only
measurements; this essentially transfers the physics discovery problem from the
deterministic to the stochastic domain. The proposed approach models the input
as a stochastic process and blends concepts of stochastic calculus, sparse
learning algorithms, and Bayesian statistics. In particular, we combine
sparsity promoting spike and slab prior, Bayes law, and Euler Maruyama scheme
to identify the governing physics from data. The resulting model is highly
efficient and works with sparse, noisy, and incomplete output measurements. The
efficacy and robustness of the proposed approach is illustrated on several
numerical examples involving both complete and partial state measurements. The
results obtained indicate the potential of the proposed approach in identifying
governing physics from output only measurement.
- Abstract（参考訳）: 物理学をデータから取り出すことは、科学とテクノロジーの多くの分野において重要な課題である。
既存の方程式発見技術は入力測定と状態測定の両方に依存しているが、実際には出力測定のみにしかアクセスできない。
本稿では、出力のみから力学系の物理を学習する新しい枠組みを提案する。これは本質的に、物理発見問題を決定論的から確率的領域に移行させるものである。
提案手法は,入力を確率過程としてモデル化し,確率解析,スパース学習アルゴリズム,ベイズ統計の概念を融合する。
特に、スパイクとスラブの促進に先立ち、ベイズ法とユーラー・丸山スキームを組み合わせて、データから制御物理学を識別する。
結果のモデルは非常に効率的で、スパース、ノイズ、不完全な出力測定で動作する。
提案手法の有効性とロバスト性は,完全状態測定と部分状態測定の両方を含むいくつかの数値例で示される。
その結果,出力のみの測定から物理を識別する手法が提案される可能性が示唆された。
関連論文リスト
- Physics-Informed Variational State-Space Gaussian Processes [23.57905861783904]
本稿では,線形および非線形の物理的制約に対処し,効率的な線形インタイムコストを実現する変動時間状態GPを提案する。
我々は,本手法を人工的および実世界の様々な設定で実証し,予測的および計算的両方の性能において最先端の手法より優れていることを示す。
論文 参考訳（メタデータ） (2024-09-20T20:12:11Z) - Predicting Probabilities of Error to Combine Quantization and Early Exiting: QuEE [68.6018458996143]
本稿では,量子化と早期出口動的ネットワークを組み合わせたより一般的な動的ネットワークQuEEを提案する。
我々のアルゴリズムは、ソフトアーリーエグジットや入力依存圧縮の一形態と見なすことができる。
提案手法の重要な要素は、さらなる計算によって実現可能な潜在的な精度向上の正確な予測である。
論文 参考訳（メタデータ） (2024-06-20T15:25:13Z) - Learning the solution operator of two-dimensional incompressible
Navier-Stokes equations using physics-aware convolutional neural networks [68.8204255655161]
パラメトリゼーションを必要とせず, 種々の測地における定常ナビエ-ストークス方程式の近似解を学習する手法を提案する。
物理を意識したCNNの結果は、最先端のデータベースアプローチと比較される。
論文 参考訳（メタデータ） (2023-08-04T05:09:06Z) - Physics-informed Information Field Theory for Modeling Physical Systems with Uncertainty Quantification [0.0]
情報場理論(IFT)は、必ずしもガウス的ではない分野の統計を行うために必要なツールを提供する。
IFT を物理インフォームド IFT (PIFT) に拡張し,フィールドを記述する物理法則に関する情報を符号化する。
このPIFTから派生した後部は任意の数値スキームとは独立であり、複数のモードをキャプチャすることができる。
本手法は,物理が信頼できないことを正確に認識し,その場合,フィールドの学習を回帰問題として自動的に処理する。
論文 参考訳（メタデータ） (2023-01-18T15:40:19Z) - Learning new physics efficiently with nonparametric methods [11.970219534238444]
モデルに依存しない新しい物理探索のための機械学習手法を提案する。
対応するアルゴリズムは、最近のカーネルメソッドの大規模実装によって実現されている。
トレーニング時間や計算資源の観点から、ニューラルネットワークの実装と比較して、我々のアプローチは劇的なアドバンテージがあることが示される。
論文 参考訳（メタデータ） (2022-04-05T16:17:59Z) - DeepPhysics: a physics aware deep learning framework for real-time
simulation [0.0]
データ駆動手法を用いて超弾性材料をシミュレートする手法を提案する。
ニューラルネットワークは、境界条件と結果の変位場との間の非線形関係を学習するために訓練される。
その結果, 限られたデータ量でトレーニングしたネットワークアーキテクチャは, 1ミリ秒未満で変位場を予測できることがわかった。
論文 参考訳（メタデータ） (2021-09-17T12:15:47Z) - An Extensible Benchmark Suite for Learning to Simulate Physical Systems [60.249111272844374]
我々は、統一されたベンチマークと評価プロトコルへの一歩を踏み出すために、一連のベンチマーク問題を導入する。
本稿では,4つの物理系と,広く使用されている古典的時間ベースおよび代表的なデータ駆動手法のコレクションを提案する。
論文 参考訳（メタデータ） (2021-08-09T17:39:09Z) - Hessian-based toolbox for reliable and interpretable machine learning in
physics [58.720142291102135]
本稿では,モデルアーキテクチャの解釈可能性と信頼性,外挿を行うためのツールボックスを提案する。
与えられたテストポイントでの予測に対する入力データの影響、モデル予測の不確実性の推定、およびモデル予測の不可知スコアを提供する。
我々の研究は、物理学やより一般的には科学に適用されたMLにおける解釈可能性と信頼性の方法の体系的利用への道を開く。
論文 参考訳（メタデータ） (2021-08-04T16:32:59Z) - Simultaneous boundary shape estimation and velocity field de-noising in
Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。
これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。
我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2021-07-16T12:56:09Z) - Neural network quantum state tomography in a two-qubit experiment [52.77024349608834]
機械学習にインスパイアされた変分法は、量子シミュレータのスケーラブルな状態キャラクタリゼーションへの有望な経路を提供する。
本研究では,2ビットの絡み合った状態を生成する実験から得られた測定データに適用することにより,いくつかの手法をベンチマークし比較する。
実験的な不完全性やノイズの存在下では、変動多様体を物理状態に収束させることで、再構成された状態の質が大幅に向上することがわかった。
論文 参考訳（メタデータ） (2020-07-31T17:25:12Z) - Physics Informed Deep Learning for Transport in Porous Media. Buckley
Leverett Problem [0.0]
貯水池モデリングのためのハイブリッド物理に基づく機械学習手法を提案する。
この手法は、物理に基づく正則化を伴う一連の深い敵対的ニューラルネットワークアーキテクチャに依存している。
提案手法は,物理知識を機械学習アルゴリズムに応用するためのシンプルでエレガントな手法である。
論文 参考訳（メタデータ） (2020-01-15T08:20:11Z)
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。