Fugu-MT 論文翻訳(概要): Port-metriplectic neural networks: thermodynamics-informed machine learning of complex physical systems

論文の概要: Port-metriplectic neural networks: thermodynamics-informed machine learning of complex physical systems

arxiv url: http://arxiv.org/abs/2211.01873v1
Date: Thu, 3 Nov 2022 15:04:27 GMT
ステータス: 処理完了
システム内更新日: 2022-11-04 12:06:20.479843
Title: Port-metriplectic neural networks: thermodynamics-informed machine learning of complex physical systems
Title（参考訳）: ポート-Metriplectic Neural Network:複雑な物理系の熱力学インフォームド機械学習
Authors: Quercus Hern\'andez, Alberto Bad\'ias, Francisco Chinesta, El\'ias Cueto
Abstract要約: 我々はポート・ハミルトン形式に基づく複雑な物理系の機械学習のための帰納バイアスを開発する。構築されたネットワークは、複雑なシステムの物理を一部で学べることを示す。
参考スコア（独自算出の注目度）: 0.09332987715848712
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We develop inductive biases for the machine learning of complex physical systems based on the port-Hamiltonian formalism. To satisfy by construction the principles of thermodynamics in the learned physics (conservation of energy, non-negative entropy production), we modify accordingly the port-Hamiltonian formalism so as to achieve a port-metriplectic one. We show that the constructed networks are able to learn the physics of complex systems by parts, thus alleviating the burden associated to the experimental characterization and posterior learning process of this kind of systems. Predictions can be done, however, at the scale of the complete system. Examples are shown on the performance of the proposed technique.
Abstract（参考訳）: ポート・ハミルトン形式に基づく複雑な物理システムの機械学習のための帰納的バイアスを開発した。学習物理学における熱力学の原理(エネルギーの保存、非負のエントロピー生成)を構築することで満足するために、ポート-ハミルトニアン形式を修正してポート-メトリエレクティック形式を得る。構築したネットワークは,複雑なシステムの物理を部分的に学習できるため,この種のシステムの実験的特徴付けと後方学習プロセスに関連する負担を軽減することができる。しかし、予測はシステム全体の規模で行うことができる。提案手法の性能を例に示す。

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)
Autonomous Learning of Generative Models with Chemical Reaction Network Ensembles [0.0]
我々は、幅広い種類の化学系が複雑な分布を自律的に学習できる一般的なアーキテクチャを開発する。提案手法は, 相対エントロピーコスト関数の勾配降下という, 機械学習の最適化作業の化学的実装の形式を取り入れたものである。
論文参考訳（メタデータ） (2023-11-02T03:46:23Z)
Gaussian Process Port-Hamiltonian Systems: Bayesian Learning with Physics Prior [17.812064311297117]
データ駆動型アプローチは、収集されたデータに基づく複雑なダイナミクスのモデリングにおいて顕著な結果をもたらす。これらのモデルは、現実世界のシステムの振る舞いを決定する基本的な物理原理を無視することが多い。本研究では不確実な定量化を伴う物理インフォームドベイズ学習手法を提案する。
論文参考訳（メタデータ） (2023-05-15T20:59:41Z)
Physically Consistent Neural ODEs for Learning Multi-Physics Systems [0.0]
本稿では, 可逆ポート・ハミルトニアンシステム (IPHS) の枠組みを利用する。データからパラメータを学習するために,PC-NODE(Physically Consistent NODE)を提案する。提案手法の有効性を実世界の実測値から建物熱力学を学習し,その有効性を実証する。
論文参考訳（メタデータ） (2022-11-11T11:20:35Z)
Port-Hamiltonian Neural Networks with State Dependent Ports [58.720142291102135]
本手法は,数個の内力および外力を持つ単純な質量スプリングシステムと,より複雑で現実的なシステムの両方において,ストレス試験を行う。ポート-ハミルトンニューラルネットワークは、状態依存型ポートでより大きな次元に拡張することができる。スパースデータとノイズデータのトレーニングを改善するための対称高次積分器を提案する。
論文参考訳（メタデータ） (2022-06-06T14:57:25Z)
Quantum state inference from coarse-grained descriptions: analysis and an application to quantum thermodynamics [101.18253437732933]
本稿では,最大エントロピー原理法と最近提案された平均アサインメントマップ法を比較した。割り当てられた記述が測定された制約を尊重するという事実にもかかわらず、記述は従来のシステム環境構造を超えたシナリオで異なる。
論文参考訳（メタデータ） (2022-05-16T19:42:24Z)
Symmetry Group Equivariant Architectures for Physics [52.784926970374556]
機械学習の分野では、対称性に対する認識が目覚ましいパフォーマンスのブレークスルーを引き起こしている。物理学のコミュニティと、より広い機械学習のコミュニティの両方に、理解すべきことがたくさんある、と私たちは主張する。
論文参考訳（メタデータ） (2022-03-11T18:27:04Z)
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)
Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。合成および実世界のデータセットの集合に対して生成的性能改善を示す。
論文参考訳（メタデータ） (2021-02-25T20:28:52Z)
Interpretable machine learning models: a physics-based view [3.7431113857875755]
ポートハミルトン形式(p-H)を用いて、物理的に解釈可能な過程を含む基本構成を記述する。 p-H構造からモデルを構築する方法と、モデルをトレーニングする方法を示します。
論文参考訳（メタデータ） (2020-03-22T23:17:19Z)
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。