論文の概要: Bayesian autoencoders for data-driven discovery of coordinates,
governing equations and fundamental constants
- arxiv url: http://arxiv.org/abs/2211.10575v1
- Date: Sat, 19 Nov 2022 03:29:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-22 17:17:38.513231
- Title: Bayesian autoencoders for data-driven discovery of coordinates,
governing equations and fundamental constants
- Title（参考訳）: 座標、支配方程式および基本定数のデータ駆動的発見のためのベイズオートエンコーダ
- Authors: L. Mars Gao and J. Nathan Kutz
- Abstract要約: ビデオフレームのシミュレーションには, オートエンコーダによる非線形ダイナミクスのスパース同定(SINDy)を適用することができる。
本稿では,ベイジアン・オートエンコーダを提案する。ベイジアン・オートエンコーダには,階層型ベイジアン・スプリット・ガウシアン・ラッソ(Spike-and-slab Gaussian Lasso)が組み込まれている。
SINDyオートエンコーダは、実際のビデオデータに適用することができ、正確な物理発見により、支配方程式を正しく識別することができる。
- 参考スコア（独自算出の注目度）: 3.60425753550939
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent progress in autoencoder-based sparse identification of nonlinear
dynamics (SINDy) under $\ell_1$ constraints allows joint discoveries of
governing equations and latent coordinate systems from spatio-temporal data,
including simulated video frames. However, it is challenging for $\ell_1$-based
sparse inference to perform correct identification for real data due to the
noisy measurements and often limited sample sizes. To address the data-driven
discovery of physics in the low-data and high-noise regimes, we propose
Bayesian SINDy autoencoders, which incorporate a hierarchical Bayesian
sparsifying prior: Spike-and-slab Gaussian Lasso. Bayesian SINDy autoencoder
enables the joint discovery of governing equations and coordinate systems with
a theoretically guaranteed uncertainty estimate. To resolve the challenging
computational tractability of the Bayesian hierarchical setting, we adapt an
adaptive empirical Bayesian method with Stochatic gradient Langevin dynamics
(SGLD) which gives a computationally tractable way of Bayesian posterior
sampling within our framework. Bayesian SINDy autoencoder achieves better
physics discovery with lower data and fewer training epochs, along with valid
uncertainty quantification suggested by the experimental studies. The Bayesian
SINDy autoencoder can be applied to real video data, with accurate physics
discovery which correctly identifies the governing equation and provides a
close estimate for standard physics constants like gravity $g$, for example, in
videos of a pendulum.
- Abstract（参考訳）: 自己エンコーダに基づく非線形力学(SINDy)の制約下でのスパース同定の最近の進歩は、シミュレートされたビデオフレームを含む時空間データから支配方程式と潜在座標系の共同発見を可能にする。
しかし、ノイズ測定やサンプルサイズが制限されるため、$\ell_1$ベースのスパース推論が実際のデータに対して正しい識別を行うことは困難である。
低データ・高ノイズ環境でのデータ駆動型物理学の発見に取り組むために,階層型ベイズ型スパルサ化プリミティブであるspike-and-slab gaussian lassoを組み込んだベイズ型シンディオートエンコーダを提案する。
ベイジアン SINDy オートエンコーダは、理論上保証された不確実性推定を伴う支配方程式と座標系の共同発見を可能にする。
そこで我々は,確率勾配ランゲヴィン力学(SGLD)を用いた適応的ベイズ的手法を適用し,ベイズ的後方サンプリングの計算容易な方法を提案する。
ベイジアンSINDYオートエンコーダは、実験によって示唆される妥当な不確実性定量化とともに、より低いデータと少ないトレーニングエポックによるより良い物理発見を実現する。
ベイジアン SINDy オートエンコーダは、実際のビデオデータに適用することができ、正確な物理発見により、支配方程式を正しく識別し、例えば振り子のビデオで重力$g$のような標準物理学定数を綿密に見積もることができる。
関連論文リスト
- Accelerated zero-order SGD under high-order smoothness and overparameterized regime [79.85163929026146]
凸最適化問題を解くための新しい勾配のないアルゴリズムを提案する。
このような問題は医学、物理学、機械学習で発生する。
両種類の雑音下で提案アルゴリズムの収束保証を行う。
論文 参考訳（メタデータ） (2024-11-21T10:26:17Z) - Rapid Bayesian identification of sparse nonlinear dynamics from scarce and noisy data [2.3018169548556977]
我々はベイジアンフレームワーク内でSINDy法をリキャストし、ガウス近似を用いて計算を高速化する。
ベイジアン・シンディは推定したパラメータの不確かさを定量化するが、限られたノイズのあるデータから正しいモデルを学ぶ際にもより堅牢である。
論文 参考訳（メタデータ） (2024-02-23T14:41:35Z) - Equation Discovery with Bayesian Spike-and-Slab Priors and Efficient Kernels [57.46832672991433]
ケルネル学習とBayesian Spike-and-Slab pres (KBASS)に基づく新しい方程式探索法を提案する。
カーネルレグレッションを用いてターゲット関数を推定する。これはフレキシブルで表現力があり、データ空間やノイズに対してより堅牢である。
我々は,効率的な後部推論と関数推定のための予測伝搬予測最大化アルゴリズムを開発した。
論文 参考訳（メタデータ） (2023-10-09T03:55:09Z) - Data-driven decoding of quantum error correcting codes using graph
neural networks [0.0]
グラフニューラルネットワーク(GNN)を用いたモデルフリーでデータ駆動型デコーディングアプローチについて検討する。
GNNベースのデコーダは、シミュレーションデータのみを与えられた表面コード上での回路レベルのノイズに対する整合デコーダよりも優れていることを示す。
その結果、デコードに対する純粋にデータ駆動型アプローチが、実用的な量子誤り訂正のための実行可能な選択肢である可能性が示唆された。
論文 参考訳（メタデータ） (2023-07-03T17:25:45Z) - The END: An Equivariant Neural Decoder for Quantum Error Correction [73.4384623973809]
データ効率のよいニューラルデコーダを導入し、この問題の対称性を活用する。
本稿では,従来のニューラルデコーダに比べて精度の高い新しい同変アーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-04-14T19:46:39Z) - Certified data-driven physics-informed greedy auto-encoder simulator [0.5249805590164902]
自己エンコーダと動的識別モデルを対話的にトレーニングし、本質的で単純な潜在空間のダイナミクスを発見する。
物理インフォームドエラーインジケータと統合された適応型グリーディサンプリングアルゴリズムを導入し,フライ時の最適なトレーニングサンプルを探索する。
数値計算の結果,提案手法は放射差対流および2次元バーガース力学問題に対して1～5%の相対誤差でパラメトリック121～2,658倍の高速化を実現する。
論文 参考訳（メタデータ） (2022-11-24T16:22:51Z) - Physics-informed machine learning with differentiable programming for
heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。
地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。
過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文 参考訳（メタデータ） (2022-06-21T20:38:13Z) - Bayesian Autoencoders for Drift Detection in Industrial Environments [69.93875748095574]
オートエンコーダは、マルチセンサー環境で異常を検出するために使用される教師なしモデルである。
異常は、実際の環境の変化(実際のドリフト)や、故障した感覚デバイス(仮想ドリフト)から生じる。
論文 参考訳（メタデータ） (2021-07-28T10:19:58Z) - Real-time gravitational-wave science with neural posterior estimation [64.67121167063696]
ディープラーニングを用いた高速重力波パラメータ推定のための前例のない精度を示す。
LIGO-Virgo Gravitational-Wave Transient Catalogから8つの重力波事象を解析した。
標準推論符号と非常に密接な定量的な一致を見いだすが、推定時間がO(day)から1イベントあたり1分に短縮される。
論文 参考訳（メタデータ） (2021-06-23T18:00:05Z) - End-to-end Sinkhorn Autoencoder with Noise Generator [10.008055997630304]
本稿では,効率的なデータ収集シミュレーションのためのノイズ発生器を備えた新しいエンド・ツー・エンドのシンクホーンオートエンコーダを提案する。
提案手法は,LHCにおけるALICE実験のZero Degree Calorimetersによるシミュレーションデータの挑戦的データセットにおいて,競合するアプローチよりも優れていた。
論文 参考訳（メタデータ） (2020-06-11T18:04:10Z) - A Data-Driven Approach for Discovering Stochastic Dynamical Systems with
Non-Gaussian Levy Noise [5.17900889163564]
ノイズの多いデータセットから規制法則を抽出する新しいデータ駆動手法を開発した。
まず, ドリフト係数, 拡散係数, ジャンプ測度を表現し, 実現可能な理論的枠組みを確立する。
そこで我々は, ドリフト, 拡散係数, ジャンプ測度を計算する数値アルゴリズムを設計し, ガウス雑音および非ガウス雑音による支配方程式を抽出する。
論文 参考訳（メタデータ） (2020-05-07T21:29:17Z)
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。