論文の概要: Fourier-RNNs for Modelling Noisy Physics Data
- arxiv url: http://arxiv.org/abs/2302.06534v1
- Date: Mon, 13 Feb 2023 17:22:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-14 14:45:10.207894
- Title: Fourier-RNNs for Modelling Noisy Physics Data
- Title(参考訳): ノイズ物理データのモデリングのためのフーリエRNN
- Authors: Vignesh Gopakumar, Stanislas Pamela, Lorenzo Zanisi
- Abstract要約: 本稿では、従来のRNNアーキテクチャとフーリエニューラル演算子(FNO)との整合性を利用して、物理関連データを扱うための新しいシーケンシャルモデルを提案する。
フーリエ-RNNはPDEデータを扱う際にFNOと同一動作するが、非マルコフデータのモデリングにおいてFNOと従来のRNNより優れている。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Classical sequential models employed in time-series prediction rely on
learning the mappings from the past to the future instances by way of a hidden
state. The Hidden states characterise the historical information and encode the
required temporal dependencies. However, most existing sequential models
operate within finite-dimensional Euclidean spaces which offer limited
functionality when employed in modelling physics relevant data. Alternatively
recent work with neural operator learning within the Fourier space has shown
efficient strategies for parameterising Partial Differential Equations (PDE).
In this work, we propose a novel sequential model, built to handle Physics
relevant data by way of amalgamating the conventional RNN architecture with
that of the Fourier Neural Operators (FNO). The Fourier-RNN allows for learning
the mappings from the input to the output as well as to the hidden state within
the Fourier space associated with the temporal data. While the Fourier-RNN
performs identical to the FNO when handling PDE data, it outperforms the FNO
and the conventional RNN when deployed in modelling noisy, non-Markovian data.
- Abstract(参考訳): 時系列予測に使用される古典的なシーケンシャルモデルは、隠れた状態を通じて過去から将来のインスタンスへのマッピングを学ぶことに依存している。
隠れた状態は歴史的情報を特徴付け、必要な時間的依存関係をエンコードする。
しかし、既存のシーケンシャルモデルは有限次元ユークリッド空間内で動作し、物理関連データをモデル化する際に限られた機能を提供する。
あるいは、フーリエ空間におけるニューラル演算子学習に関する最近の研究は、部分微分方程式(PDE)をパラメータ化するための効率的な戦略を示している。
本研究では,従来のRNNアーキテクチャをフーリエニューラル演算子 (FNO) と組み合わせることで,物理関連データを扱うための新しいシーケンシャルモデルを提案する。
フーリエ-RNNは、入力から出力へのマッピングと、時間データに関連するフーリエ空間内の隠れ状態を学ぶことができる。
フーリエ-RNNはPDEデータを扱う際にFNOと同一動作するが、非マルコフデータのモデリングにおいてFNOと従来のRNNより優れている。
関連論文リスト
- Equivariant Graph Neural Operator for Modeling 3D Dynamics [153.9455825436751]
Equivariant Graph Neural Operator (EGNO) は,次のステップの予測に代えて,ダイナミックスを直接トラジェクトリとしてモデル化する,斬新で原理的な手法である。
EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。
粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
論文 参考訳(メタデータ) (2024-01-19T21:50:32Z) - Speeding up Fourier Neural Operators via Mixed Precision [94.01161800203221]
フーリエニューラル作用素 (FNO) は偏微分方程式 (PDE) 解作用素の代理写像を学習する強力な手法である。
高解像度のデータポイントを必要とする多くの現実世界アプリケーションにとって、トレーニング時間とメモリ使用量は重大なボトルネックとなる。
本研究では,FNOの混合精度トレーニングの数値安定性について検討し,トレーニング時間とメモリ使用量を大幅に削減するトレーニングルーチンを考案した。
論文 参考訳(メタデータ) (2023-07-27T17:42:06Z) - Spherical Fourier Neural Operators: Learning Stable Dynamics on the
Sphere [53.63505583883769]
球面幾何学の演算子を学習するための球面FNO(SFNO)を紹介する。
SFNOは、気候力学の機械学習に基づくシミュレーションに重要な意味を持つ。
論文 参考訳(メタデータ) (2023-06-06T16:27:17Z) - Domain Agnostic Fourier Neural Operators [15.29112632863168]
本研究では,不規則なジオメトリと進化するドメインを持つサロゲートを学習するために,ドメインに依存しないフーリエニューラル演算子(DAFNO)を導入する。
鍵となる考え方は、FNOの積分層アーキテクチャに滑らかな特性関数を組み込むことである。
DAFNOはベースラインニューラル演算子モデルと比較して最先端の精度を達成した。
論文 参考訳(メタデータ) (2023-04-30T13:29:06Z) - Learning Flow Functions from Data with Applications to Nonlinear
Oscillators [0.0]
フロー関数の学習は離散時間力学系の入力状態マップの学習と等価であることを示す。
これにより、RNNをエンコーダとデコーダネットワークと共に使用し、システムの状態をRNNとバックの隠された状態にマッピングする。
論文 参考訳(メタデータ) (2023-03-29T13:04:04Z) - Enhancing Spatiotemporal Prediction Model using Modular Design and
Beyond [2.323220706791067]
時間と空間の両方でシーケンスを予測することは困難である。
主流の方法は、同時に時間構造と空間構造をモデル化することである。
配列モデルを空間エンコーダデコーダと予測器の2つのモジュールに組み込むモジュール設計を提案する。
論文 参考訳(メタデータ) (2022-10-04T10:09:35Z) - Solving Seismic Wave Equations on Variable Velocity Models with Fourier
Neural Operator [3.2307366446033945]
本稿では,FNOに基づく解法を効率的に学習するための新しいフレームワークであるFourier Neural operator (PFNO)を提案する。
数値実験により、複雑な速度モデルによるFNOとPFNOの精度が示された。
PFNOは、従来の有限差分法と比較して、大規模なテストデータセットの計算効率が高いことを認めている。
論文 参考訳(メタデータ) (2022-09-25T22:25:57Z) - Fourier Neural Operator with Learned Deformations for PDEs on General
Geometries [62.45777230253574]
我々は任意の測地上でPDEを解決するための新しいフレームワーク、viz.、geo-FNOを提案する。
Geo-FNO は入力(物理)領域を不規則で、一様格子を持つ潜在空間に変形させることを学ぶ。
我々は, 弾性, 塑性, オイラー方程式, ナビエ・ストークス方程式などの多種多様なPDEと, 前方モデリングと逆設計の問題を考察する。
論文 参考訳(メタデータ) (2022-07-11T21:55:47Z) - Rank-R FNN: A Tensor-Based Learning Model for High-Order Data
Classification [69.26747803963907]
Rank-R Feedforward Neural Network (FNN)は、そのパラメータにCanonical/Polyadic分解を課すテンソルベースの非線形学習モデルである。
まず、入力をマルチリニアアレイとして扱い、ベクトル化の必要性を回避し、すべてのデータ次元に沿って構造情報を十分に活用することができる。
Rank-R FNNの普遍的な近似と学習性の特性を確立し、実世界のハイパースペクトルデータセットのパフォーマンスを検証する。
論文 参考訳(メタデータ) (2021-04-11T16:37:32Z) - Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。
暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。
これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文 参考訳(メタデータ) (2020-06-08T09:53:35Z)
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。