論文の概要: Well-definedness of Physical Law Learning: The Uniqueness Problem
- arxiv url: http://arxiv.org/abs/2210.08342v2
- Date: Wed, 19 Oct 2022 16:33:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-20 15:59:53.359159
- Title: Well-definedness of Physical Law Learning: The Uniqueness Problem
- Title(参考訳): 物理法学学習の well-definedness: the Uniqueness problem
- Authors: Philipp Scholl, Aras Bacho, Holger Boche, Gitta Kutyniok
- Abstract要約: 物理法学学習は、機械学習技術を用いて支配方程式の導出を自動化するための曖昧な試みである。
本論文は、物理法則を学習するための包括的な理論的枠組みを構築するための第一歩として機能する。
- 参考スコア(独自算出の注目度): 63.9246169579248
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Physical law learning is the ambiguous attempt at automating the derivation
of governing equations with the use of machine learning techniques. The current
literature focuses however solely on the development of methods to achieve this
goal, and a theoretical foundation is at present missing. This paper shall thus
serve as a first step to build a comprehensive theoretical framework for
learning physical laws, aiming to provide reliability to according algorithms.
One key problem consists in the fact that the governing equations might not be
uniquely determined by the given data. We will study this problem in the common
situation of having a physical law be described by an ordinary or partial
differential equation. For various different classes of differential equations,
we provide both necessary and sufficient conditions for a function from a given
function class to uniquely determine the differential equation which is
governing the phenomenon. We then use our results to devise numerical
algorithms to determine whether a function solves a differential equation
uniquely. Finally, we provide extensive numerical experiments showing that our
algorithms in combination with common approaches for learning physical laws
indeed allow to guarantee that a unique governing differential equation is
learnt, without assuming any knowledge about the function, thereby ensuring
reliability.
- Abstract(参考訳): 物理法学学習は、機械学習技術を用いて支配方程式の導出を自動化するための曖昧な試みである。
しかし、現在の文献は、この目標を達成するための方法の開発にのみ焦点をあてており、現在理論的な基礎が欠落している。
したがって,本論文は,物理法則を学習するための包括的理論的枠組みを構築するための第一歩として機能する。
1つの重要な問題は、支配方程式が与えられたデータによって一意に決定されないという事実である。
我々は、物理法則を常微分方程式または偏微分方程式で記述する一般的な状況でこの問題を研究する。
微分方程式の様々なクラスに対して、与えられた関数クラスからの関数に対する必要条件と十分条件の両方を提供し、その現象を支配する微分方程式を一意的に決定する。
この結果を用いて、関数が微分方程式を一意に解くかどうかを決定する数値アルゴリズムを考案する。
最後に,我々のアルゴリズムが物理法則を学習するための一般的な手法と組み合わせることで,関数に関する知識を前提にせず,一意的な支配微分方程式が学習されることを保証し,信頼性を確保することを示す広範な数値実験を行った。
関連論文リスト
- Towards true discovery of the differential equations [57.089645396998506]
微分方程式探索は、解釈可能なモデルを開発するために使用される機械学習サブフィールドである。
本稿では,専門家の入力を伴わない独立方程式発見のための前提条件とツールについて検討する。
論文 参考訳(メタデータ) (2023-08-09T12:03:12Z) - Comparison of Single- and Multi- Objective Optimization Quality for
Evolutionary Equation Discovery [77.34726150561087]
進化的微分方程式の発見は、より優先順位の低い方程式を得るための道具であることが証明された。
提案した比較手法は、バーガーズ方程式、波動方程式、コルテヴェーグ・ド・ブリーズ方程式といった古典的なモデル例で示される。
論文 参考訳(メタデータ) (2023-06-29T15:37:19Z) - Solving differential equations using physics informed deep learning: a
hand-on tutorial with benchmark tests [0.0]
ディープラーニングとニューラルネットワークによる微分方程式の解法について再検討する。
トレーニングプロセスに最小限のデータを使用する可能性に焦点を当てます。
単純な方程式モデルに関するチュートリアルは、通常の微分方程式の方法の実践方法を説明している。
論文 参考訳(メタデータ) (2023-02-23T16:08:39Z) - Discovering ordinary differential equations that govern time-series [65.07437364102931]
本研究では, 1つの観測解の時系列データから, スカラー自律常微分方程式(ODE)を記号形式で復元するトランスフォーマーに基づくシーケンス・ツー・シーケンス・モデルを提案する。
提案手法は, 1回に一度, ODE の大規模な事前訓練を行った後, モデルのいくつかの前方通過において, 新たに観測された解の法則を推測することができる。
論文 参考訳(メタデータ) (2022-11-05T07:07:58Z) - Physics Informed RNN-DCT Networks for Time-Dependent Partial
Differential Equations [62.81701992551728]
時間依存偏微分方程式を解くための物理インフォームド・フレームワークを提案する。
我々のモデルは離散コサイン変換を用いて空間的および反復的なニューラルネットワークを符号化する。
ナヴィエ・ストークス方程式に対するテイラー・グリーン渦解の実験結果を示す。
論文 参考訳(メタデータ) (2022-02-24T20:46:52Z) - A Probabilistic State Space Model for Joint Inference from Differential
Equations and Data [23.449725313605835]
ベイズフィルタを用いて解過程を直接句する常微分方程式 (odes) の解法の新しいクラスを示す。
その後、拡張カルマンフィルタの単一の線形複雑化パスにおいて、潜力とODE溶液のベイズ推定を近似することができるようになる。
本研究では,covid-19流行データに基づく非パラメトリックsirdモデルを訓練することにより,アルゴリズムの表現力と性能を示す。
論文 参考訳(メタデータ) (2021-03-18T10:36:09Z) - Computational characteristics of feedforward neural networks for solving
a stiff differential equation [0.0]
減衰系をモデル化する単純だが基本的な常微分方程式の解について検討する。
パラメータやメソッドに対して好適な選択を特定できることを示す。
全体として、ニューラルネットワークアプローチによる信頼性と正確な結果を得るために何ができるかを示すことで、この分野の現在の文献を拡張します。
論文 参考訳(メタデータ) (2020-12-03T12:22:24Z) - The data-driven physical-based equations discovery using evolutionary
approach [77.34726150561087]
与えられた観測データから数学的方程式を発見するアルゴリズムについて述べる。
このアルゴリズムは遺伝的プログラミングとスパース回帰を組み合わせたものである。
解析方程式の発見や偏微分方程式(PDE)の発見にも用いられる。
論文 参考訳(メタデータ) (2020-04-03T17:21:57Z) - Learning To Solve Differential Equations Across Initial Conditions [12.66964917876272]
多くのニューラルネットワークに基づく偏微分方程式解法が定式化され、古典的解法よりも性能が同等であり、場合によってはさらに優れている。
本研究では,任意の初期条件に対する偏微分方程式の解を条件付き確率分布の学習として近似する問題を提案する。
論文 参考訳(メタデータ) (2020-03-26T21:29:22Z) - 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。