論文の概要: Learning Modular Simulations for Homogeneous Systems
- arxiv url: http://arxiv.org/abs/2210.16294v1
- Date: Fri, 28 Oct 2022 17:48:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-31 17:35:28.050061
- Title: Learning Modular Simulations for Homogeneous Systems
- Title(参考訳): 均質系のモジュールシミュレーションの学習
- Authors: Jayesh K. Gupta, Sai Vemprala, Ashish Kapoor
- Abstract要約: 等質多体力学系をモデル化するためのモジュラーシミュレーションフレームワークを提案する。
任意の数の加群を組み合わせることで、様々な結合トポロジーの系をシミュレートすることができる。
我々のモデルは、スクラッチからトレーニングされたモデルと比較して、データ要件やトレーニングの労力が低い新しいシステム構成に移行可能であることを示しています。
- 参考スコア(独自算出の注目度): 23.355189771765644
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Complex systems are often decomposed into modular subsystems for engineering
tractability. Although various equation based white-box modeling techniques
make use of such structure, learning based methods have yet to incorporate
these ideas broadly. We present a modular simulation framework for modeling
homogeneous multibody dynamical systems, which combines ideas from graph neural
networks and neural differential equations. We learn to model the individual
dynamical subsystem as a neural ODE module. Full simulation of the composite
system is orchestrated via spatio-temporal message passing between these
modules. An arbitrary number of modules can be combined to simulate systems of
a wide variety of coupling topologies. We evaluate our framework on a variety
of systems and show that message passing allows coordination between multiple
modules over time for accurate predictions and in certain cases, enables
zero-shot generalization to new system configurations. Furthermore, we show
that our models can be transferred to new system configurations with lower data
requirement and training effort, compared to those trained from scratch.
- Abstract(参考訳): 複雑なシステムはエンジニアリングのトラクタビリティのために、しばしばモジュラーサブシステムに分解される。
様々な方程式に基づくホワイトボックスモデリング手法はそのような構造を利用するが、学習に基づく手法はまだこれらの概念を広く取り入れていない。
グラフニューラルネットワークとニューラル微分方程式のアイデアを組み合わせた等質多体力学系をモデル化するためのモジュラーシミュレーションフレームワークを提案する。
我々は、個々の動的サブシステムをニューラルODEモジュールとしてモデル化することを学ぶ。
これらのモジュール間の時空間メッセージパッシングを通じて複合システムの完全なシミュレーションを行う。
任意の数のモジュールを組み合わせることで、様々な結合トポロジーのシステムをシミュレートすることができる。
我々は,様々なシステム上でのフレームワークの評価を行い,メッセージパッシングが正確な予測のために時間とともに複数のモジュール間の協調を可能にすることを示す。
さらに,本モデルでは,スクラッチからトレーニングしたモデルと比較して,データ要求やトレーニングの少ない新しいシステム構成に移行可能であることを示す。
関連論文リスト
- Algebraic Dynamical Systems in Machine Learning [0.1843404256219181]
繰り返し書き起こしシステムの出力に適用される関数がモデルの形式クラスを定義することを示す。
また、これらの代数モデルは、動的モデルの合成性を記述するための自然言語であることを示す。
これらのモデルは、構造化または非数値データ上の問題を学ぶための上記の動的モデルの一般化のためのテンプレートを提供する。
論文 参考訳(メタデータ) (2023-11-06T14:10:40Z) - Modular Deep Learning [120.36599591042908]
トランスファーラーニングは近年、機械学習の主要なパラダイムとなっている。
負の干渉を伴わずに複数のタスクを専門とするモデルを開発する方法はまだ不明である。
これらの課題に対する有望な解決策として、モジュール型ディープラーニングが登場した。
論文 参考訳(メタデータ) (2023-02-22T18:11:25Z) - Compositional Learning of Dynamical System Models Using Port-Hamiltonian
Neural Networks [32.707730631343416]
データから動的システムの複合モデルを学ぶためのフレームワークを提案する。
ニューラルネットワークサブモデルは、比較的単純なサブシステムによって生成された軌跡データに基づいて訓練される。
提案するフレームワークの新機能を数値例で示す。
論文 参考訳(メタデータ) (2022-12-01T22:22:38Z) - ModLaNets: Learning Generalisable Dynamics via Modularity and Physical
Inductive Bias [14.474273671369584]
モジュラリティと物理的帰納バイアスを有する構造的ニューラルネットワークフレームワークを提案する。
このフレームワークはモジュラリティを用いて各要素のエネルギーをモデル化し、ラグランジュ力学を介して対象の力学系を構築する。
トレーニングデータセットの小さい二重振り子または3体システムのモデリングフレームワークについて検討する。
論文 参考訳(メタデータ) (2022-06-24T14:54:25Z) - Is a Modular Architecture Enough? [80.32451720642209]
我々は、シンプルで既知のモジュラーデータ分散のレンズを通して、共通のモジュラーアーキテクチャを徹底的に評価する。
モジュール化と疎結合のメリットを強調し、モジュール化システムの最適化において直面する課題に関する洞察を明らかにします。
論文 参考訳(メタデータ) (2022-06-06T16:12:06Z) - 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) - S2RMs: Spatially Structured Recurrent Modules [105.0377129434636]
モジュール構造とテンポラル構造の両方を同時に活用できる動的構造を利用するための一歩を踏み出します。
我々のモデルは利用可能なビューの数に対して堅牢であり、追加のトレーニングなしで新しいタスクに一般化できる。
論文 参考訳(メタデータ) (2020-07-13T17:44:30Z) - 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。
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。