論文の概要: Identifying Hamiltonian manifold in neural networks
- arxiv url: http://arxiv.org/abs/2212.01168v1
- Date: Fri, 2 Dec 2022 13:47:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-05 16:22:00.735381
- Title: Identifying Hamiltonian manifold in neural networks
- Title(参考訳): ニューラルネットワークにおけるハミルトン多様体の同定
- Authors: Yeongwoo Song, Hawoong Jeong
- Abstract要約: メタ学習アルゴリズムを用いて、ハミルトン方程式を表すニューラルネットワークの一般多様体を同定する。
メタトレーニングモデルでは,メタトレーニングの段階では見えなかった物理系に順応することが示されている。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent studies to learn physical laws via deep learning attempt to find the
shared representation of the given system by introducing physics priors or
inductive biases to the neural network. However, most of these approaches
tackle the problem in a system-specific manner, in which one neural network
trained to one particular physical system cannot be easily adapted to another
system governed by a different physical law. In this work, we use a
meta-learning algorithm to identify the general manifold in neural networks
that represents Hamilton's equation. We meta-trained the model with the dataset
composed of five dynamical systems each governed by different physical laws. We
show that with only a few gradient steps, the meta-trained model adapts well to
the physical system which was unseen during the meta-training phase. Our
results suggest that the meta-trained model can craft the representation of
Hamilton's equation in neural networks which is shared across various dynamical
systems with each governed by different physical laws.
- Abstract(参考訳): 深層学習を通じて物理法則を学ぶ最近の研究は、ニューラルネットワークに物理プライオリティや帰納バイアスを導入することによって、与えられたシステムの共有表現を見つけることを試みる。
しかし、これらのアプローチのほとんどは、ある特定の物理システムに訓練されたあるニューラルネットワークが、異なる物理法則によって制御された別のシステムに容易に適応できないような、システム固有の方法で問題に取り組む。
本研究では,メタラーニングアルゴリズムを用いて,ハミルトン方程式を表すニューラルネットワークの一般多様体を同定する。
物理法則の異なる5つの力学系からなるデータセットを用いてモデルをメタトレーニングした。
数段の勾配ステップでメタトレーニングモデルが,メタトレーニングの段階では見つからなかった物理系に順応することを示した。
メタトレーニングモデルでは,様々な力学系にまたがるニューラルネットワークにおけるハミルトン方程式の表現が,それぞれ異なる物理法則で制御されていることが示唆された。
関連論文リスト
- Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。
新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。
我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
論文 参考訳(メタデータ) (2024-02-20T15:23:24Z) - Learning Neural Constitutive Laws From Motion Observations for
Generalizable PDE Dynamics [97.38308257547186]
多くのNNアプローチは、支配的PDEと物質モデルの両方を暗黙的にモデル化するエンドツーエンドモデルを学ぶ。
PDEの管理はよく知られており、学習よりも明示的に実施されるべきである、と私たちは主張する。
そこで我々は,ネットワークアーキテクチャを利用したニューラル構成則(Neural Constitutive Laws,NCLaw)と呼ばれる新しいフレームワークを導入する。
論文 参考訳(メタデータ) (2023-04-27T17:42:24Z) - ConCerNet: A Contrastive Learning Based Framework for Automated
Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。
本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
論文 参考訳(メタデータ) (2023-02-11T21:07:30Z) - How accurate are neural approximations of complex network dynamics? [2.483819327790676]
常微分方程式のデータ駆動近似は、力学系モデルを発見する古典的な方法の代替として有望なものである。
本稿では、複雑なネットワークを介して結合されたそのような方程式の系で力学を記述する複雑なシステムに焦点をあてる。
本稿では,これらの力学系をニューラルネットワークを用いて近似するための重要な要素を提案する。
論文 参考訳(メタデータ) (2023-01-12T09:44:59Z) - Learning Integrable Dynamics with Action-Angle Networks [1.2999518604217852]
アクションアングルネットワークは入力座標から、システムの進化が線形であるアクションアングル空間への非線形変換を学習する。
従来の学習シミュレータとは異なり、Action-Angle Networksは高階数値積分法を一切使わない。
論文 参考訳(メタデータ) (2022-11-24T17:37:20Z) - Learning Trajectories of Hamiltonian Systems with Neural Networks [81.38804205212425]
本稿では,モデル系の連続時間軌跡を推定し,ハミルトニアンニューラルネットワークを強化することを提案する。
提案手法は, 低サンプリング率, ノイズ, 不規則な観測において, HNNに対して有効であることを示す。
論文 参考訳(メタデータ) (2022-04-11T13:25:45Z) - 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) - Learning without gradient descent encoded by the dynamics of a
neurobiological model [7.952666139462592]
本稿では,動的シグナリングの神経生物学的モデルを利用した機械学習の概念的アプローチを提案する。
MNIST画像は、教師なしの方法で、ほぼ最先端の精度で幾何学的ネットワークのダイナミクスによって一意に符号化され分類できることを示す。
論文 参考訳(メタデータ) (2021-03-16T07:03:04Z) - Watch and learn -- a generalized approach for transferrable learning in
deep neural networks via physical principles [0.0]
本研究では,物理状態の異なる統計物理学における問題に対して,完全に伝達可能な学習を実現するための教師なし学習手法を実証する。
逐次ニューラルネットワークに基づくシーケンスモデルを広範囲のディープニューラルネットワークに結合することにより、古典的な統計力学系の平衡確率分布と粒子間相互作用モデルを学ぶことができる。
論文 参考訳(メタデータ) (2020-03-03T18:37:23Z)
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。