論文の概要: Towards Cross Domain Generalization of Hamiltonian Representation via
Meta Learning
- arxiv url: http://arxiv.org/abs/2212.01168v3
- Date: Mon, 22 Jan 2024 10:09:20 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-23 22:11:39.788684
- Title: Towards Cross Domain Generalization of Hamiltonian Representation via
Meta Learning
- Title(参考訳): メタ学習によるハミルトン表現のクロスドメイン一般化に向けて
- Authors: Yeongwoo Song, Hawoong Jeong
- Abstract要約: 本研究では、ハミルトン力学の分野におけるクロス領域の一般化を目標とすることで、大きな前進を試みている。
我々は,このシステムをグラフニューラルネットワークでモデル化し,メタ学習アルゴリズムを用いてタスクの分布に対して経験を得られるようにした。
この結果は,メタ訓練モデルが新しいシステムに効果的に適応するだけでなく,異なる物理領域間で一貫した一般化されたハミルトン表現も捉えることを示した。
- 参考スコア(独自算出の注目度): 2.7195102129095003
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advances in deep learning for physics have focused on discovering
shared representations of target systems by incorporating physics priors or
inductive biases into neural networks. While effective, these methods are
limited to the system domain, where the type of system remains consistent and
thus cannot ensure the adaptation to new, or unseen physical systems governed
by different laws. For instance, a neural network trained on a mass-spring
system cannot guarantee accurate predictions for the behavior of a two-body
system or any other system with different physical laws. In this work, we take
a significant leap forward by targeting cross domain generalization within the
field of Hamiltonian dynamics. We model our system with a graph neural network
and employ a meta learning algorithm to enable the model to gain experience
over a distribution of tasks and make it adapt to new physics. Our approach
aims to learn a unified Hamiltonian representation that is generalizable across
multiple system domains, thereby overcoming the limitations of system-specific
models. Our results demonstrate that the meta-trained model not only adapts
effectively to new systems but also captures a generalized Hamiltonian
representation that is consistent across different physical domains. Overall,
through the use of meta learning, we offer a framework that achieves cross
domain generalization, providing a step towards a unified model for
understanding a wide array of dynamical systems via deep learning.
- Abstract(参考訳): 物理の深層学習の最近の進歩は、物理の先行や誘導バイアスをニューラルネットワークに組み込むことによって、ターゲットシステムの共有表現を発見することに集中している。
有効ではあるが、これらの手法はシステムドメインに限られており、システムの種類は一貫しているため、異なる法則によって管理される新しい物理システムへの適応を保証することはできない。
例えば、マススプリングシステムでトレーニングされたニューラルネットワークは、2体システムや他の物理法則の異なるシステムの振る舞いの正確な予測を保証できない。
本研究では,ハミルトニアンダイナミクスの分野におけるクロスドメイン一般化を目標として,大きな前進を遂げる。
我々は,このシステムをグラフニューラルネットワークでモデル化し,メタ学習アルゴリズムを用いて,タスクの分散に関する経験を得られるようにし,新しい物理に適応させる。
本手法は,複数のシステム領域にまたがる統一ハミルトン表現を学習し,システム固有モデルの限界を克服することを目的としている。
以上の結果から, メタ訓練モデルは新しい系に効果的に適応するだけでなく, 異なる物理領域にまたがる一般化ハミルトニアン表現を捉えていることが示された。
全体として、メタ学習を利用することで、クロスドメインの一般化を実現するフレームワークを提供し、ディープラーニングを通じて幅広い動的システムを理解するための統一モデルへのステップを提供する。
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。