論文の概要: Ensemble Reservoir Computing for Dynamical Systems: Prediction of
Phase-Space Stable Region for Hadron Storage Rings
- arxiv url: http://arxiv.org/abs/2301.06786v1
- Date: Tue, 17 Jan 2023 10:29:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-18 14:28:26.916421
- Title: Ensemble Reservoir Computing for Dynamical Systems: Prediction of
Phase-Space Stable Region for Hadron Storage Rings
- Title（参考訳）: 動的システムのアンサンブル貯留層計算:ハドロン貯蔵リングの位相空間安定領域の予測
- Authors: Maxime Casanova, Barbara Dalena, Luca Bonaventura, Massimo Giovannozzi
- Abstract要約: Echo State Networks (ESN) は、計算に有効なリカレントニューラルネットワークのクラスである。
本研究では、位相空間安定性領域の予測に基づいて、ESNが到達した性能を示す。
提案手法は動的開口範囲の時間進化を効果的に予測できる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We investigate the ability of an ensemble reservoir computing approach to
predict the long-term behaviour of the phase-space region in which the motion
of charged particles in hadron storage rings is bounded, the so-called dynamic
aperture. Currently, the calculation of the phase-space stability region of
hadron storage rings is performed through direct computer simulations, which
are resource- and time-intensive processes. Echo State Networks (ESN) are a
class of recurrent neural networks that are computationally effective, since
they avoid backpropagation and require only cross-validation. Furthermore, they
have been proven to be universal approximants of dynamical systems. In this
paper, we present the performance reached by ESN based on an ensemble approach
for the prediction of the phase-space stability region and compare it with
analytical scaling laws based on the stability-time estimate of the Nekhoroshev
theorem for Hamiltonian systems. We observe that the proposed ESN approach is
capable of effectively predicting the time evolution of the extent of the
dynamic aperture, improving the predictions by analytical scaling laws, thus
providing an efficient surrogate model.
- Abstract（参考訳）: 本研究では, ハドロン貯蔵リング内の荷電粒子の運動が境界となる相空間領域の長期挙動を予測するためのアンサンブル貯留層計算手法の能力, いわゆるダイナミックアパーチャについて検討した。
現在,ハドロン貯蔵リングの位相空間安定性領域の計算は,資源・時間集約プロセスである直接計算機シミュレーションによって行われている。
Echo State Networks(ESN)は、バックプロパゲーションを回避し、クロスバリデーションのみを必要とするため、計算的に効果的であるリカレントニューラルネットワークのクラスである。
さらに、それらは力学系の普遍近似であることが証明されている。
本稿では,位相空間安定領域の予測のためのアンサンブルアプローチに基づいてesnが到達した性能を,ハミルトン系に対するネホロシェフ定理の安定性-時間推定に基づく解析的スケーリング則と比較する。
提案手法は,動的開口域の時間変化を効果的に予測でき,解析的スケーリング則による予測を改善し,効率的なサロゲートモデルを提供する。
関連論文リスト
- Entropy stable conservative flux form neural networks [3.417730578086946]
本稿では,古典的数値保存法則をデータ駆動型フレームワークに統合した,エントロピー安定型保守型フラックス型ニューラルネットワークを提案する。
数値実験により、エントロピー安定CFNは、拡張時間領域の精度を維持しつつ、安定性と保存性を両立することを示した。
論文 参考訳（メタデータ） (2024-11-04T02:01:31Z) - Dynamical system prediction from sparse observations using deep neural networks with Voronoi tessellation and physics constraint [12.638698799995815]
本稿では,Voronoi Tessellation (DSOVT) フレームワークを用いたスパース観測からの動的システム予測について紹介する。
ボロノイテッセルレーションと深層学習モデルを統合することで、DSOVTは疎く非構造的な観測で力学系の予測に適している。
純粋にデータ駆動モデルと比較して、我々の物理学に基づくアプローチは、明示的に定式化された力学の中で物理法則を学習することができる。
論文 参考訳（メタデータ） (2024-08-31T13:43:52Z) - SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。
伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。
本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
論文 参考訳（メタデータ） (2024-05-29T08:00:15Z) - Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。
我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。
我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
論文 参考訳（メタデータ） (2023-10-11T18:38:28Z) - Machine learning in and out of equilibrium [58.88325379746631]
我々の研究は、統計物理学から適応したフォッカー・プランク法を用いて、これらの平行線を探索する。
我々は特に、従来のSGDでは平衡が切れている長期的限界におけるシステムの定常状態に焦点を当てる。
本稿では,ミニバッチの置き換えを伴わない新しいランゲヴィンダイナミクス(SGLD)を提案する。
論文 参考訳（メタデータ） (2023-06-06T09:12:49Z) - Reconstruction, forecasting, and stability of chaotic dynamics from
partial data [4.266376725904727]
本研究では,部分的な観測から隠れカオス変数の力学を推定するためのデータ駆動手法を提案する。
提案するネットワークは,時間的・統計的に隠れた変数を予測できることを示す。
この研究は、完全な状態を再構築し、隠れた変数を推論し、部分的なデータからカオスシステムの安定性を計算する新しい機会を開く。
論文 参考訳（メタデータ） (2023-05-24T13:01:51Z) - Spectral learning of Bernoulli linear dynamical systems models [21.3534487101893]
本研究では,線形線形力学系モデルの高速かつ効率的なフィッティングのための学習法を開発した。
提案手法は,従来の部分空間同定手法をベルヌーイ設定に拡張する。
そこで本研究では,マウスの知覚決定タスクを実行することによって,実世界の環境を推定する手法を提案する。
論文 参考訳（メタデータ） (2023-03-03T16:29:12Z) - Stabilizing Machine Learning Prediction of Dynamics: Noise and
Noise-inspired Regularization [58.720142291102135]
近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。
緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。
トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
論文 参考訳（メタデータ） (2022-11-09T23:40:52Z) - Structured Optimal Variational Inference for Dynamic Latent Space Models [16.531262817315696]
動的ネットワークの潜在空間モデルについて検討し、その目的は、ペアの内積と潜在位置のインターセプトを推定することである。
後部推論と計算スケーラビリティのバランスをとるために、構造的平均場変動推論フレームワークを検討する。
論文 参考訳（メタデータ） (2022-09-29T22:10:42Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳（メタデータ） (2020-10-08T20:25:52Z) - Supporting Optimal Phase Space Reconstructions Using Neural Network
Architecture for Time Series Modeling [68.8204255655161]
位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。
私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
論文 参考訳（メタデータ） (2020-06-19T21:04:47Z)
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。