論文の概要: Parameter-varying neural ordinary differential equations with
partition-of-unity networks
- arxiv url: http://arxiv.org/abs/2210.00368v1
- Date: Sat, 1 Oct 2022 20:48:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-04 16:17:17.867034
- Title: Parameter-varying neural ordinary differential equations with
partition-of-unity networks
- Title(参考訳): ネットワーク分割を伴うパラメータ可変ニューラル常微分方程式
- Authors: Kookjin Lee and Nathaniel Trask
- Abstract要約: 本稿では,モデルパラメータの進化を一様ネットワーク(POUNets)で表すニューラル常微分方程式(NODEs)を提案する。
提案したNODEの変種は、POUNetsで合成され、空間のメッシュフリーパーティションを学習し、各パーティションに関連付けられたスイッチセットを用いてODEパラメータの進化を表現する。
本研究では,(1)ハイブリッドシステムのデータ駆動動的モデリング,(2)線形力学系,(3)外部強制力の異なる動的システムの潜在力学の3つの重要な課題に対して提案手法の有効性を実証する。
- 参考スコア(独自算出の注目度): 5.885020100736158
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this study, we propose parameter-varying neural ordinary differential
equations (NODEs) where the evolution of model parameters is represented by
partition-of-unity networks (POUNets), a mixture of experts architecture. The
proposed variant of NODEs, synthesized with POUNets, learn a meshfree partition
of space and represent the evolution of ODE parameters using sets of
polynomials associated to each partition. We demonstrate the effectiveness of
the proposed method for three important tasks: data-driven dynamics modeling of
(1) hybrid systems, (2) switching linear dynamical systems, and (3) latent
dynamics for dynamical systems with varying external forcing.
- Abstract(参考訳): 本研究では,パラメータ変化型ニューラル常微分方程式(NODE)を提案する。モデルパラメータの進化は,エキスパートアーキテクチャの混合である分割・オブ・ユニティネットワーク(POUNets)によって表現される。
提案したNODEの変種は、POUNetsで合成され、空間のメッシュフリーパーティションを学び、各パーティションに関連付けられた多項式の集合を用いてODEパラメータの進化を表現する。
本稿では,(1)ハイブリッドシステムのデータ駆動力学モデリング,(2)線形力学系の切替,(3)外部強制力の異なる動的系の潜時力学の3つの重要な課題に対して提案手法の有効性を実証する。
関連論文リスト
- Equivariant Graph Neural Operator for Modeling 3D Dynamics [153.9455825436751]
Equivariant Graph Neural Operator (EGNO) は,次のステップの予測に代えて,ダイナミックスを直接トラジェクトリとしてモデル化する,斬新で原理的な手法である。
EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。
粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
論文 参考訳(メタデータ) (2024-01-19T21:50:32Z) - Data-Driven Model Selections of Second-Order Particle Dynamics via
Integrating Gaussian Processes with Low-Dimensional Interacting Structures [0.9821874476902972]
我々は、一般の2階粒子モデルにおけるデータ駆動的な発見に焦点を当てる。
本稿では、2つの実世界の魚の動きデータセットのモデリングへの応用について述べる。
論文 参考訳(メタデータ) (2023-11-01T23:45:15Z) - Parameter Identification for Partial Differential Equations with
Spatiotemporal Varying Coefficients [5.373009527854677]
種々の偏微分方程式によって制御される多状態系のパラメータ同定を容易にする枠組みを提案する。
我々のフレームワークは、制約付き自己適応型ニューラルネットワークと、サブネットワーク物理インフォームドニューラルネットワークの2つの統合コンポーネントで構成されている。
我々は,時間変化パラメータを持つ1次元バーガースの場合と空間変化パラメータを持つ2次元波動方程式の2つの数値ケースにおいて,本フレームワークの有効性を実証した。
論文 参考訳(メタデータ) (2023-06-30T07:17:19Z) - Pseudo-Hamiltonian neural networks for learning partial differential
equations [0.0]
Pseudo-Hamiltonian Neural Network (PHNN)は、最近、通常の微分方程式でモデル化できる力学系を学ぶために導入された。
本稿では,この手法を偏微分方程式に拡張する。
得られたモデルは、保存、散逸、外部力を表す用語をモデル化する最大3つのニューラルネットワークと、学習または入力として与えられる個別の畳み込み演算子から構成される。
論文 参考訳(メタデータ) (2023-04-27T17:46:00Z) - Neural Laplace: Learning diverse classes of differential equations in
the Laplace domain [86.52703093858631]
本稿では,これらすべてを含む多種多様な微分方程式(DE)を学習するための統一的な枠組みを提案する。
時間領域の力学をモデル化する代わりに、ラプラス領域でモデル化する。
The experiment, Neural Laplace shows excellent performance in modelling and extrapolating the trajectories of various class of DEs。
論文 参考訳(メタデータ) (2022-06-10T02:14:59Z) - Neural Implicit Representations for Physical Parameter Inference from a
Single Video [55.61164103824501]
本稿では,外見モデルのためのニューラル暗黙表現と,物理現象をモデル化するためのニューラル常微分方程式(ODE)を組み合わせることを提案する。
提案モデルでは,大規模なトレーニングデータセットを必要とする既存のアプローチとは対照的に,単一のビデオから物理的パラメータを識別することが可能になる。
ニューラル暗示表現を使用することで、高解像度ビデオの処理とフォトリアリスティック画像の合成が可能になる。
論文 参考訳(メタデータ) (2022-04-29T11:55:35Z) - 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) - 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) - Continuous Convolutional Neural Networks: Coupled Neural PDE and ODE [1.1897857181479061]
本研究では、物理システムの隠れた力学を学習できる畳み込みニューラルネットワーク(CNN)の変種を提案する。
画像や時系列などの物理系を複数の層からなるシステムとして考えるのではなく、微分方程式(DE)の形でシステムをモデル化することができる。
論文 参考訳(メタデータ) (2021-10-30T21:45:00Z) - Parameterized Neural Ordinary Differential Equations: Applications to
Computational Physics Problems [5.885020100736158]
本研究では,NODE に付加的な ODE 入力パラメータを導入することにより,ニューラル常微分方程式(NODE)の拡張を提案する。
この拡張により、NODEは入力パラメータインスタンスによって指定された複数のダイナミクスを学習できる。
計算物理から重要なベンチマーク問題を用いてPNODEの有効性を示す。
論文 参考訳(メタデータ) (2020-10-28T00:41:28Z) - 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。