Fugu-MT 論文翻訳(概要): Constants of motion network

論文の概要: Constants of motion network

arxiv url: http://arxiv.org/abs/2208.10387v2
Date: Tue, 23 Aug 2022 00:52:04 GMT
ステータス: 処理完了
システム内更新日: 2022-08-24 10:41:57.943843
Title: Constants of motion network
Title（参考訳）: 運動ネットワークの定数
Authors: Muhammad Firmansyah Kasim, Yi Heng Lim
Abstract要約: データからシステムの力学と運動定数を同時に学習できるニューラルネットワークを提案する。検出された運動定数を利用することで、ダイナミクスの予測がより良くなる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: The beauty of physics is that there is usually a conserved quantity in an always-changing system, known as the constant of motion. Finding the constant of motion is important in understanding the dynamics of the system, but typically requires mathematical proficiency and manual analytical work. In this paper, we present a neural network that can simultaneously learn the dynamics of the system and the constants of motion from data. By exploiting the discovered constants of motion, it can produce better predictions on dynamics and can work on a wider range of systems than Hamiltonian-based neural networks. In addition, the training progresses of our method can be used as an indication of the number of constants of motion in a system which could be useful in studying a novel physical system.
Abstract（参考訳）: 物理学の美しさは、常に変化する系において、運動定数として知られる保存量が存在することである。運動の定数を見つけることはシステムの力学を理解する上で重要であるが、通常は数学的な習熟度と手動の分析作業を必要とする。本稿では,システムのダイナミクスとデータから運動定数を同時に学習できるニューラルネットワークを提案する。検出された運動定数を利用することで、ダイナミクスに関するより良い予測を導き、ハミルトニアンベースのニューラルネットワークよりも広い範囲のシステムに取り組むことができる。さらに,本手法の訓練経過を,新しい物理系の研究に役立つシステムにおける運動定数の指標として用いることができる。

関連論文リスト

Learning System Dynamics without Forgetting [60.08612207170659]
未知の力学を持つ系の軌道予測は、物理学や生物学を含む様々な研究分野において重要である。本稿では,モードスイッチンググラフODE (MS-GODE) の新たなフレームワークを提案する。生体力学の異なる多様な系を特徴とする生体力学システムの新しいベンチマークを構築した。
論文参考訳（メタデータ） (2024-06-30T14:55:18Z)
Unifying physical systems' inductive biases in neural ODE using dynamics constraints [0.0]
省エネシステムだけでなく、散逸システムにも適用可能な簡単な方法を提案する。提案手法はニューラルネットワークアーキテクチャの変更を必要とせず,新しいアイデアを検証するための基盤を形成することができる。
論文参考訳（メタデータ） (2022-08-03T14:33:35Z)
Learning Trajectories of Hamiltonian Systems with Neural Networks [81.38804205212425]
本稿では,モデル系の連続時間軌跡を推定し,ハミルトニアンニューラルネットワークを強化することを提案する。提案手法は, 低サンプリング率, ノイズ, 不規則な観測において, HNNに対して有効であることを示す。
論文参考訳（メタデータ） (2022-04-11T13:25:45Z)
Constructing Neural Network-Based Models for Simulating Dynamical Systems [59.0861954179401]
データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
論文参考訳（メタデータ） (2021-11-02T10:51:42Z)
Port-Hamiltonian Neural Networks for Learning Explicit Time-Dependent Dynamical Systems [2.6084034060847894]
動的システムの時間的挙動を正確に学習するには、十分な学習バイアスを持つモデルが必要である。近年のイノベーションは、ハミルトン形式とラグランジュ形式をニューラルネットワークに組み込んでいる。提案したエンポート・ハミルトンニューラルネットワークは,非線形物理系の実利的な力学を効率的に学習できることを示す。
論文参考訳（メタデータ） (2021-07-16T17:31:54Z)
Learning Dynamical Systems from Noisy Sensor Measurements using Multiple Shooting [11.771843031752269]
本稿では,間接的に観測された動的システムの潜在表現を学習するための汎用的かつスケーラブルな手法を提案する。生画像から直接観察されたシステム上での最先端の性能を実現する。
論文参考訳（メタデータ） (2021-06-22T12:30:18Z)
Deep Learning of Quantum Many-Body Dynamics via Random Driving [0.0]
量子多体系の力学を予測するための深層学習の力を示す。ネットワークがトレーニングされたネットワークの3倍の速さで動的に外挿できることを示す。
論文参考訳（メタデータ） (2021-05-01T22:46:42Z)
Measuring and modeling the motor system with machine learning [117.44028458220427]
モーターシステムの理解における機械学習の有用性は、データの収集、測定、分析の方法に革命をもたらすことを約束している。本稿では, ポーズ推定, 運動解析, 次元減少, 閉ループフィードバックから, ニューラル相関の理解, 機能停止まで, 機械学習の利用の増大について論じる。
論文参考訳（メタデータ） (2021-03-22T12:42:16Z)
Learning Contact Dynamics using Physically Structured Neural Networks [81.73947303886753]
ディープニューラルネットワークと微分方程式の接続を用いて、オブジェクト間の接触ダイナミクスを表現するディープネットワークアーキテクチャのファミリを設計する。これらのネットワークは,ノイズ観測から不連続な接触事象をデータ効率良く学習できることを示す。以上の結果から,タッチフィードバックの理想化形態は,この学習課題を扱いやすくするための重要な要素であることが示唆された。
論文参考訳（メタデータ） (2021-02-22T17:33:51Z)
Learning Continuous System Dynamics from Irregularly-Sampled Partial Observations [33.63818978256567]
グラフ構造を持つ多エージェント動的システムをモデル化するための潜在常微分方程式生成モデルLG-ODEを提案する。高次元軌跡の埋め込みと連続潜伏系力学を同時に学習することができる。我々のモデルは、教師なしの方法で初期状態を推論できるグラフニューラルネットワークによってパラメータ化された新しいエンコーダを採用している。
論文参考訳（メタデータ） (2020-11-08T01:02:22Z)
Learning Stable Deep Dynamics Models [91.90131512825504]
状態空間全体にわたって安定することが保証される力学系を学習するためのアプローチを提案する。このような学習システムは、単純な力学系をモデル化することができ、複雑な力学を学習するために追加の深層生成モデルと組み合わせることができることを示す。
論文参考訳（メタデータ） (2020-01-17T00:04:45Z)

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。