論文の概要: EPR-Net: Constructing non-equilibrium potential landscape via a
variational force projection formulation
- arxiv url: http://arxiv.org/abs/2301.01946v2
- Date: Sat, 7 Jan 2023 06:17:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-10 13:17:47.210296
- Title: EPR-Net: Constructing non-equilibrium potential landscape via a
variational force projection formulation
- Title（参考訳）: EPR-Net: 変動力投影式による非平衡ポテンシャル景観の構築
- Authors: Yue Zhao, Wei Zhang, Tiejun Li
- Abstract要約: 本研究では,高次元非平衡定常状態(NESS)システムの潜在的景観を構築するための,EPR-Netと呼ばれる新しいシンプルな深層学習手法を提案する。
提案手法のロバスト性および有効性は,マルチ安定性,リミットサイクル,あるいは非消滅雑音を持つ奇妙な誘引器を有する高次元生体物理モデルの数値的研究により実証された。
- 参考スコア（独自算出の注目度）: 8.713016559541947
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a novel yet simple deep learning approach, dubbed EPR-Net, for
constructing the potential landscape of high-dimensional non-equilibrium steady
state (NESS) systems. The key idea of our approach is to utilize the fact that
the negative potential gradient is the orthogonal projection of the driving
force in a weighted Hilbert space with respect to the steady-state
distribution. The constructed loss function also coincides with the entropy
production rate (EPR) formula in NESS theory. This approach can be extended to
dealing with dimensionality reduction and state-dependent diffusion
coefficients in a unified fashion. The robustness and effectiveness of the
proposed approach are demonstrated by numerical studies of several
high-dimensional biophysical models with multi-stability, limit cycle, or
strange attractor with non-vanishing noise.
- Abstract（参考訳）: 本稿では,高次元非平衡定常状態(ness)システムの潜在景観を構築するための,新しい簡易な深層学習手法epr-netを提案する。
このアプローチの重要な考え方は、負ポテンシャル勾配が定常分布に関して重み付きヒルベルト空間における駆動力の直交射影であるという事実を利用することである。
構成された損失関数は、NESS理論のエントロピー生成率(EPR)式とも一致する。
このアプローチは、次元還元と状態依存拡散係数を統一的に扱うように拡張することができる。
提案手法のロバスト性および有効性は,マルチ安定性,リミットサイクル,あるいは非消滅雑音を持つ奇妙な誘引器を有する高次元生体物理モデルの数値的研究により実証された。
関連論文リスト
- Model-free learning of probability flows: Elucidating the nonequilibrium dynamics of flocking [15.238808518078567]
位相空間の高次元性は、エントロピー生成速度を推定できない伝統的な計算技術を示す。
慣性系に対する確率電流とEPRの2つの局所的定義との間に新しい物理的関係を導出する。
この結果から,アライメントと揺らぎの相互作用が順番を動的に生成・消滅させるため,群れの空間的界面でエントロピーが消費されることが示唆された。
論文 参考訳（メタデータ） (2024-11-21T17:08:06Z) - Stable Weight Updating: A Key to Reliable PDE Solutions Using Deep Learning [0.0]
本稿では,物理インフォームドニューラルネットワーク(PINN)の安定性と精度の向上を目的とした,新しい残差ベースアーキテクチャを提案する。
このアーキテクチャは、残りの接続を組み込むことで従来のニューラルネットワークを強化し、よりスムーズなウェイト更新を可能にし、バックプロパゲーション効率を向上させる。
特にSquared Residual Networkは、従来のニューラルネットワークと比較して安定性と精度の向上を実現し、堅牢なパフォーマンスを示している。
論文 参考訳（メタデータ） (2024-07-10T05:20:43Z) - Current Effect-eliminated Optimal Target Assignment and Motion Planning
for a Multi-UUV System [4.62588687215906]
本稿では,海流がもたらす複雑さと課題に対処する革新的なアプローチ(CBNNTAP)を提案する。
バイオインスパイアされたニューラルネットワーク(BINN)アプローチを取り入れ、個々のUUVの最も効率的なパスを予測する。
CBNNTAPアルゴリズムにおける重要な革新は、海流の破壊的な影響に対処する能力である。
論文 参考訳（メタデータ） (2024-01-10T19:38:25Z) - Energy-Guided Continuous Entropic Barycenter Estimation for General Costs [95.33926437521046]
任意のOTコスト関数に対して連続的エントロピーOT(EOT)バリセンタを近似する新しいアルゴリズムを提案する。
本手法は、弱いOTに基づくEOT問題の二重再構成に基づいている。
論文 参考訳（メタデータ） (2023-10-02T11:24:36Z) - Mitigating Learning Complexity in Physics and Equality Constrained
Artificial Neural Networks [0.9137554315375919]
偏微分方程式(PDE)の解を学ぶために物理インフォームドニューラルネットワーク(PINN)が提案されている。
PINNでは、利害関係のPDEの残留形態とその境界条件は、軟罰として複合目的関数にまとめられる。
本稿では,この目的関数を定式化する方法が,異なる種類のPDEに適用した場合のPINNアプローチにおける厳しい制約の源であることを示す。
論文 参考訳（メタデータ） (2022-06-19T04:12:01Z) - Multi-Objective Constrained Optimization for Energy Applications via
Tree Ensembles [55.23285485923913]
エネルギーシステムの最適化問題は、強い非線形系の挙動と複数の競合する目的のために複雑である。
場合によっては、提案された最適解は、物理的性質や安全クリティカルな操作条件に関連する明示的な入力制約に従う必要がある。
本稿では,ブラックボックス問題に対する制約付き多目的最適化のためのツリーアンサンブルを用いた新しいデータ駆動戦略を提案する。
論文 参考訳（メタデータ） (2021-11-04T20:18:55Z) - Learning High-Dimensional Distributions with Latent Neural Fokker-Planck
Kernels [67.81799703916563]
低次元潜在空間におけるフォッカー・プランク方程式の解法として問題を定式化する新しい手法を導入する。
提案モデルでは,潜在分散モーフィング,ジェネレータ,パラメータ化Fokker-Planckカーネル関数からなる。
論文 参考訳（メタデータ） (2021-05-10T17:42:01Z) - A Hamiltonian Monte Carlo Method for Probabilistic Adversarial Attack
and Learning [122.49765136434353]
本稿では,HMCAM (Acumulated Momentum) を用いたハミルトニアンモンテカルロ法を提案する。
また, 対数的対数的対数的学習(Contrastive Adversarial Training, CAT)と呼ばれる新たな生成法を提案し, 対数的例の平衡分布にアプローチする。
いくつかの自然画像データセットと実用システムに関する定量的および定性的な解析により、提案アルゴリズムの優位性が確認された。
論文 参考訳（メタデータ） (2020-10-15T16:07:26Z) - Robust Reinforcement Learning with Wasserstein Constraint [49.86490922809473]
最適なロバストなポリシーの存在を示し、摂動に対する感度分析を行い、新しいロバストな学習アルゴリズムを設計する。
提案アルゴリズムの有効性はCart-Pole環境で検証する。
論文 参考訳（メタデータ） (2020-06-01T13:48:59Z) - Targeted free energy estimation via learned mappings [66.20146549150475]
自由エネルギー摂動 (FEP) は60年以上前にズワンツィヒによって自由エネルギー差を推定する方法として提案された。
FEPは、分布間の十分な重複の必要性という厳しい制限に悩まされている。
目標自由エネルギー摂動(Targeted Free Energy Perturbation)と呼ばれるこの問題を緩和するための1つの戦略は、オーバーラップを増やすために構成空間の高次元マッピングを使用する。
論文 参考訳（メタデータ） (2020-02-12T11:10:00Z)
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。