論文の概要: Generalized Quadratic Embeddings for Nonlinear Dynamics using Deep
Learning
- arxiv url: http://arxiv.org/abs/2211.00357v2
- Date: Thu, 4 Jan 2024 17:51:13 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-05 18:10:40.590943
- Title: Generalized Quadratic Embeddings for Nonlinear Dynamics using Deep
Learning
- Title(参考訳): ディープラーニングを用いた非線形ダイナミクスのための一般化擬似埋め込み
- Authors: Pawan Goyal and Peter Benner
- Abstract要約: 本稿では非線形システムの力学をモデル化するためのデータ駆動手法を提案する。
本研究では,昇降原理に着想を得た2次系を共通構造として用いることを提案する。
- 参考スコア(独自算出の注目度): 11.339982217541822
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The engineering design process often relies on mathematical modeling that can
describe the underlying dynamic behavior. In this work, we present a
data-driven methodology for modeling the dynamics of nonlinear systems. To
simplify this task, we aim to identify a coordinate transformation that allows
us to represent the dynamics of nonlinear systems using a common, simple model
structure. The advantage of a common simple model is that customized design
tools developed for it can be applied to study a large variety of nonlinear
systems. The simplest common model -- one can think of -- is linear, but linear
systems often fall short in accurately capturing the complex dynamics of
nonlinear systems. In this work, we propose using quadratic systems as the
common structure, inspired by the lifting principle. According to this
principle, smooth nonlinear systems can be expressed as quadratic systems in
suitable coordinates without approximation errors. However, finding these
coordinates solely from data is challenging. Here, we leverage deep learning to
identify such lifted coordinates using only data, enabling a quadratic
dynamical system to describe the system's dynamics. Additionally, we discuss
the asymptotic stability of these quadratic dynamical systems. We illustrate
the approach using data collected from various numerical examples,
demonstrating its superior performance with the existing well-known techniques.
- Abstract(参考訳): エンジニアリング設計プロセスは、しばしば基礎となる動的な振る舞いを記述できる数学的モデリングに依存している。
本稿では,非線形システムのダイナミクスをモデル化するためのデータ駆動手法を提案する。
このタスクを単純化するために,非線形システムの動力学を共通で単純なモデル構造を用いて表現できる座標変換の同定を目標としている。
一般的な単純なモデルの利点は、様々な非線形システムの研究にカスタマイズされた設計ツールを適用することができることである。
最も単純な共通モデルは線形であるが、線形系はしばしば非線形系の複雑なダイナミクスを正確に捉えるのに不足している。
本研究では,昇降原理に着想を得た2次系を共通構造として用いることを提案する。
この原理によれば、滑らかな非線形系は近似誤差なしで適切な座標の二次系として表すことができる。
しかし、データからのみこれらの座標を見つけることは困難である。
本稿では,ディープラーニングを用いて,データのみを用いて解き上げられた座標を同定し,二次力学系がシステムのダイナミクスを記述することを可能にする。
さらに、これらの二次力学系の漸近安定性についても論じる。
本稿では,様々な数値例から収集したデータを用いて,既存の既知の手法よりも優れた性能を示す。
関連論文リスト
- No Equations Needed: Learning System Dynamics Without Relying on Closed-Form ODEs [56.78271181959529]
本稿では,従来の2段階モデリングプロセスから離れることで,低次元力学系をモデル化する概念シフトを提案する。
最初に閉形式方程式を発見して解析する代わりに、我々のアプローチ、直接意味モデリングは力学系の意味表現を予測する。
私たちのアプローチは、モデリングパイプラインを単純化するだけでなく、結果のモデルの透明性と柔軟性も向上します。
論文 参考訳(メタデータ) (2025-01-30T18:36:48Z) - Data-driven system identification using quadratic embeddings of nonlinear dynamics [0.9714447724811842]
我々はQENDy(Quadratic Embedding of Dynamics)と呼ばれる新しいデータ駆動手法を提案する。
このアプローチは、力学が二次となる高次元の特徴空間へのシステムの埋め込みに基づいている。
本稿では,様々なベンチマーク問題の助けを借りてQENDyの有効性と精度を説明し,その性能をSINDyや2次埋め込みを同定するためのディープラーニング手法と比較する。
論文 参考訳(メタデータ) (2025-01-14T15:37:03Z) - LeARN: Learnable and Adaptive Representations for Nonlinear Dynamics in System Identification [0.0]
非線形システム識別フレームワークLeARNを導入する。
基礎関数のライブラリをデータから直接学習することで、事前のドメイン知識の必要性を超越します。
我々はNeural Flyデータセットのフレームワークを検証し、その堅牢な適応と能力を示す。
論文 参考訳(メタデータ) (2024-12-16T18:03:23Z) - Deep Generative Modeling for Identification of Noisy, Non-Stationary Dynamical Systems [3.1484174280822845]
非線形・雑音・非自律力学系に対する擬似常微分方程式(ODE)モデルを求めることに集中する。
提案手法は,SINDyとSINDy(非線形力学のスパース同定)を結合し,スパースODEの時間変化係数をモデル化する。
論文 参考訳(メタデータ) (2024-10-02T23:00:00Z) - SINDyG: Sparse Identification of Nonlinear Dynamical Systems from Graph-Structured Data [0.27624021966289597]
グラフ構造化データ(SINDyG)から動的システムのスパース同定法を開発した。
SINDyGはネットワーク構造をスパース回帰に組み込んで、基礎となるネットワーク力学を説明するモデルパラメータを識別する。
本実験は, ネットワーク力学の精度向上と簡易性を検証した。
論文 参考訳(メタデータ) (2024-09-02T17:51:37Z) - 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) - Learning Low-Dimensional Quadratic-Embeddings of High-Fidelity Nonlinear
Dynamics using Deep Learning [9.36739413306697]
データから動的モデルを学ぶことは、エンジニアリング設計、最適化、予測において重要な役割を果たす。
深層学習を用いて高忠実度力学系に対する低次元埋め込みを同定する。
論文 参考訳(メタデータ) (2021-11-25T10:09:00Z) - 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) - Supervised DKRC with Images for Offline System Identification [77.34726150561087]
現代の力学系はますます非線形で複雑なものになりつつある。
予測と制御のためのコンパクトで包括的な表現でこれらのシステムをモデル化するフレームワークが必要である。
本手法は,教師付き学習手法を用いてこれらの基礎関数を学習する。
論文 参考訳(メタデータ) (2021-09-06T04:39:06Z) - Linear embedding of nonlinear dynamical systems and prospects for
efficient quantum algorithms [74.17312533172291]
有限非線形力学系を無限線型力学系(埋め込み)にマッピングする方法を述べる。
次に、有限線型系 (truncation) による結果の無限線型系を近似するアプローチを検討する。
論文 参考訳(メタデータ) (2020-12-12T00:01:10Z) - Active Learning for Nonlinear System Identification with Guarantees [102.43355665393067]
状態遷移が既知の状態-作用対の特徴埋め込みに線形に依存する非線形力学系のクラスについて検討する。
そこで本稿では, トラジェクティブ・プランニング, トラジェクティブ・トラッキング, システムの再推定という3つのステップを繰り返すことで, この問題を解決するためのアクティブ・ラーニング・アプローチを提案する。
本手法は, 非線形力学系を標準線形回帰の統計速度と同様, パラメトリック速度で推定する。
論文 参考訳(メタデータ) (2020-06-18T04:54:11Z)
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。