Fugu-MT 論文翻訳(概要): Model-free machine learning of conservation laws from data

論文の概要: Model-free machine learning of conservation laws from data

arxiv url: http://arxiv.org/abs/2301.07503v1
Date: Thu, 12 Jan 2023 19:18:07 GMT
ステータス: 処理完了
システム内更新日: 2023-01-29 14:08:34.795433
Title: Model-free machine learning of conservation laws from data
Title（参考訳）: データからの保存則のモデルフリー機械学習
Authors: Shivam Arora, Alex Bihlo, R\"udiger Brecht, Pavel Holba
Abstract要約: 本稿では,通常の微分方程式系の最初の積分を与えられた軌跡データから学習する機械学習手法を提案する。副生成物として、最初の積分が学習されると、微分方程式の系も知られる。
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: We present a machine learning based method for learning first integrals of systems of ordinary differential equations from given trajectory data. The method is model-free in that it does not require explicit knowledge of the underlying system of differential equations that generated the trajectories. As a by-product, once the first integrals have been learned, also the system of differential equations will be known. We illustrate our method by considering several classical problems from the mathematical sciences.
Abstract（参考訳）: 本稿では,通常の微分方程式系の最初の積分を与えられた軌跡データから学習する機械学習手法を提案する。この方法は、トラジェクトリを生成する微分方程式の基底系の明示的な知識を必要としないという点で、モデルフリーである。副生成物として、最初の積分が学習されると、微分方程式の系も知られる。古典的問題を数理科学から考慮し,本手法を説明する。

関連論文リスト

Physics-informed nonlinear vector autoregressive models for the prediction of dynamical systems [0.36248657646376703]
我々は、通常の微分方程式(ODE)を解くために非線形ベクトル自己回帰(NVAR)と呼ばれるモデルの1つのクラスに焦点を当てる。数値積分と物理インフォームドニューラルネットワークとの接続により、物理インフォームドN VARを明示的に導出する。 N VARとpiN VARは学習パラメータを完全に共有するため、我々は2つのモデルを共同で訓練するための拡張手順を提案する。本研究では,損傷のないバネ,ロトカ・ボルテラ捕食者・プレディ非線形モデル,カオスロレンツシステムなど,様々なODEシステムに対する解を予測するためのpiN VARモデルの有効性を評価する。
論文参考訳（メタデータ） (2024-07-25T14:10:42Z)
Towards true discovery of the differential equations [57.089645396998506]
微分方程式探索は、解釈可能なモデルを開発するために使用される機械学習サブフィールドである。本稿では,専門家の入力を伴わない独立方程式発見のための前提条件とツールについて検討する。
論文参考訳（メタデータ） (2023-08-09T12:03:12Z)
Symbolic Recovery of Differential Equations: The Identifiability Problem [52.158782751264205]
微分方程式の記号的回復は、支配方程式の導出を自動化する野心的な試みである。関数が対応する微分方程式を一意に決定するために必要な条件と十分な条件の両方を提供する。この結果を用いて、関数が微分方程式を一意に解くかどうかを判定する数値アルゴリズムを考案する。
論文参考訳（メタデータ） (2022-10-15T17:32:49Z)
D-CIPHER: Discovery of Closed-form Partial Differential Equations [80.46395274587098]
D-CIPHERは人工物の測定に頑健であり、微分方程式の新しい、非常に一般的なクラスを発見できる。さらに,D-CIPHERを効率的に探索するための新しい最適化手法であるCoLLieを設計する。
論文参考訳（メタデータ） (2022-06-21T17:59:20Z)
Neural Laplace: Learning diverse classes of differential equations in the Laplace domain [86.52703093858631]
本稿では,これらすべてを含む多種多様な微分方程式(DE)を学習するための統一的な枠組みを提案する。時間領域の力学をモデル化する代わりに、ラプラス領域でモデル化する。 The experiment, Neural Laplace shows excellent performance in modelling and extrapolating the trajectories of various class of DEs。
論文参考訳（メタデータ） (2022-06-10T02:14:59Z)
Structure-Preserving Learning Using Gaussian Processes and Variational Integrators [62.31425348954686]
本稿では,機械系の古典力学に対する変分積分器と,ガウス過程の回帰による残留力学の学習の組み合わせを提案する。我々は、既知のキネマティック制約を持つシステムへのアプローチを拡張し、予測の不確実性に関する公式な境界を提供する。
論文参考訳（メタデータ） (2021-12-10T11:09:29Z)
Differential Equation Based Path Integral for System-Bath Dynamics [0.0]
本稿では,自由量子系の実時間進化をシミュレートする微分方程式に基づく経路積分(DEBPI)法を提案する。これらの微分方程式を離散化することで、新しい数値スキームを導出することができる。適切なシステムを選択し,適切な数値スキームを適用することで,i-QuAPI法に必要なメモリコストを大幅に削減できることを数値的に検証した。
論文参考訳（メタデータ） (2021-07-22T15:06:22Z)
Learning Runge-Kutta Integration Schemes for ODE Simulation and Identification [35.877707234293624]
統合関連コスト関数を最小化する統合スキームを学ぶための新しいフレームワークを提案する。非線形方程式に対する学習に基づくアプローチの妥当性を実証する。
論文参考訳（メタデータ） (2021-05-11T13:02:20Z)
Multi-objective discovery of PDE systems using evolutionary approach [77.34726150561087]
本稿では,多目的共進化アルゴリズムについて述べる。システム内の単一の方程式とシステム自体が同時に進化し、システムを得る。単一のベクトル方程式とは対照的に、コンポーネント・ワイド・システムは専門家の解釈により適しており、従って応用にも適している。
論文参考訳（メタデータ） (2021-03-11T15:37:52Z)
Knowledge-Based Learning of Nonlinear Dynamics and Chaos [3.673994921516517]
本稿では,非線形システムから観測結果に基づいて予測モデルを抽出するための普遍的な学習フレームワークを提案する。我々のフレームワークは、非線形システムを連続時間系として自然にモデル化するため、第一原理知識を容易に組み込むことができる。
論文参考訳（メタデータ） (2020-10-07T13:50:13Z)

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。