Fugu-MT 論文翻訳(概要): Data-driven discovery of non-Newtonian astronomy via learning non-Euclidean Hamiltonian

論文の概要: Data-driven discovery of non-Newtonian astronomy via learning non-Euclidean Hamiltonian

arxiv url: http://arxiv.org/abs/2210.00090v1
Date: Fri, 30 Sep 2022 20:59:42 GMT
ステータス: 処理完了
システム内更新日: 2022-10-04 16:09:12.476895
Title: Data-driven discovery of non-Newtonian astronomy via learning non-Euclidean Hamiltonian
Title（参考訳）: 非ユークリッドハミルトニアン学習による非ニュートン天文学の発見
Authors: Oswin So, Gongjie Li, Evangelos A. Theodorou and Molei Tao
Abstract要約: 非ニュートン天文学のデータ駆動による発見法を提案する。予備的な結果は,これらの特性がトレーニングの安定性と予測精度において重要であることを示している。
参考スコア（独自算出の注目度）: 23.309368900269565
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Incorporating the Hamiltonian structure of physical dynamics into deep learning models provides a powerful way to improve the interpretability and prediction accuracy. While previous works are mostly limited to the Euclidean spaces, their extension to the Lie group manifold is needed when rotations form a key component of the dynamics, such as the higher-order physics beyond simple point-mass dynamics for N-body celestial interactions. Moreover, the multiscale nature of these processes presents a challenge to existing methods as a long time horizon is required. By leveraging a symplectic Lie-group manifold preserving integrator, we present a method for data-driven discovery of non-Newtonian astronomy. Preliminary results show the importance of both these properties in training stability and prediction accuracy.
Abstract（参考訳）: 物理力学のハミルトン構造をディープラーニングモデルに組み込むことで、解釈可能性と予測精度を向上させることができる。以前の研究は主にユークリッド空間に限られるが、回転がN体の天体相互作用のための単純な点質量力学を超えた高次物理学のような力学の重要な構成要素を形成するとき、リー群多様体への拡張が必要である。さらに、これらのプロセスの多スケール性は、長期間の地平線を必要とするため、既存の方法に挑戦を与える。シンプレクティックリー群保存積分器を利用して、非ニュートン天文学のデータ駆動発見法を提案する。予備結果は,これらの特性がトレーニング安定性と予測精度において重要であることを示した。

関連論文リスト

Physics-Constrained Learning for PDE Systems with Uncertainty Quantified Port-Hamiltonian Models [0.7350858947639451]
本稿では,強力な学習ツールと信頼性のある物理モデルを組み合わせた物理制約学習手法を提案する。ガウス過程のベイズ的性質に基づいて、系の力学を学習するだけでなく、不確実な定量化を可能にする。
論文参考訳（メタデータ） (2024-06-17T17:52:01Z)
Robust Hamiltonian Engineering for Interacting Qudit Systems [50.591267188664666]
我々は、強く相互作用するキューディット系のロバストな動的疎結合とハミルトン工学の定式化を開発する。本研究では,これらの手法を,スピン-1窒素空洞中心の強相互作用・無秩序なアンサンブルで実験的に実証した。
論文参考訳（メタデータ） (2023-05-16T19:12:41Z)
Latent Traversals in Generative Models as Potential Flows [113.4232528843775]
我々は,学習された動的ポテンシャルランドスケープを持つ潜在構造をモデル化することを提案する。物理、最適輸送、神経科学にインスパイアされたこれらの潜在的景観は、物理的に現実的な偏微分方程式として学習される。本手法は,最先端のベースラインよりも定性的かつ定量的に歪んだ軌跡を実現する。
論文参考訳（メタデータ） (2023-04-25T15:53:45Z)
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)
Learning Neural Hamiltonian Dynamics: A Methodological Overview [109.40968389896639]
Hamiltonian dynamicsは、ニューラルネットワークに正確な長期予測、解釈可能性、データ効率の学習を与える。我々は最近提案したハミルトンニューラルネットワークモデルについて、特に方法論に焦点を当てて体系的に調査した。
論文参考訳（メタデータ） (2022-02-28T22:54:39Z)
Symplectic Momentum Neural Networks -- Using Discrete Variational Mechanics as a prior in Deep Learning [7.090165638014331]
本稿では,Sypic Momentum Networks (SyMo) を,非分離機械系のメカニクスの離散的な定式化のモデルとして紹介する。このような組み合わせによって、これらのモデルが限られたデータから得られるだけでなく、シンプレクティックなフォームを保存し、より長期的な振る舞いを示す能力も提供できることが示される。
論文参考訳（メタデータ） (2022-01-20T16:33:19Z)
SyMetric: Measuring the Quality of Learnt Hamiltonian Dynamics Inferred from Vision [73.26414295633846]
最近提案されたモデルのクラスは、高次元観測から潜在力学を学習しようと試みている。既存の手法は画像再構成の品質に依存しており、学習した潜在力学の質を常に反映しているわけではない。我々は、基礎となるハミルトン力学が忠実に捕獲されたかどうかのバイナリ指標を含む、一連の新しい尺度を開発する。
論文参考訳（メタデータ） (2021-11-10T23:26:58Z)
Machine Learning for Discovering Effective Interaction Kernels between Celestial Bodies from Ephemerides [10.77689830299308]
我々は、データ駆動学習アプローチを用いて、太陽系の天体の運動の安定的で正確なモデルを導出する。太陽系の主要天体を相互に相互作用する物質としてモデル化することで、我々の学習モデルは極めて正確なダイナミクスを生成する。我々のモデルは、特に火星、水星、月の近日点沈み込みを再現するという点において、観測データに対する統一的な説明を提供することができる。
論文参考訳（メタデータ） (2021-08-26T16:30:59Z)
Physics-Coupled Spatio-Temporal Active Learning for Dynamical Systems [15.923190628643681]
主な課題の1つは、認識されたデータストリームを生成する根本原因を推測することである。機械学習ベースの予測モデルの成功は、モデルトレーニングに大量の注釈付きデータを必要とする。提案するST-PCNNは, 実世界のデータセットと実世界のデータセットの両方において, 極めて少ないインスタンスで最適精度に収束することを示した。
論文参考訳（メタデータ） (2021-08-11T18:05:55Z)
Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。その結果,クロスバリデーションにより予測精度が期待できることがわかった。
論文参考訳（メタデータ） (2020-05-27T13:32:10Z)
Embedded-physics machine learning for coarse-graining and collective variable discovery without data [3.222802562733787]
基礎となる物理を一貫して組み込む新しい学習フレームワークを提案する。原子間力場の形で利用可能な物理学を完全に組み込んだ逆クルバック・リーブラー分岐に基づく新しい目的を提案する。本研究は,バイモーダルポテンシャルエネルギー関数とアラニンジペプチドに対するCVの予測能力および物理的意義の観点からアルゴリズムの進歩を実証する。
論文参考訳（メタデータ） (2020-02-24T10:28:41Z)

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。