論文の概要: On the Integration of Physics-Based Machine Learning with Hierarchical
Bayesian Modeling Techniques
- arxiv url: http://arxiv.org/abs/2303.00187v1
- Date: Wed, 1 Mar 2023 02:29:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-02 16:20:47.122605
- Title: On the Integration of Physics-Based Machine Learning with Hierarchical
Bayesian Modeling Techniques
- Title(参考訳): 物理に基づく機械学習と階層ベイズモデリング技術の統合について
- Authors: Omid Sedehi, Antonina M. Kosikova, Costas Papadimitriou, Lambros S.
Katafygiotis
- Abstract要約: 本稿では,ガウス過程(GP)モデルの平均関数にメカニクスに基づくモデルを組み込み,カーネルマシンによる潜在的な不一致を特徴付けることを提案する。
カーネル関数の定常性は、階層的ベイズ手法によって解決された長いデータセットの逐次処理において難しいハードルである。
数値および実験例を用いて, 構造力学逆問題に対する提案手法の可能性を示した。
- 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: Machine Learning (ML) has widely been used for modeling and predicting
physical systems. These techniques offer high expressive power and good
generalizability for interpolation within observed data sets. However, the
disadvantage of black-box models is that they underperform under blind
conditions since no physical knowledge is incorporated. Physics-based ML aims
to address this problem by retaining the mathematical flexibility of ML
techniques while incorporating physics. In accord, this paper proposes to embed
mechanics-based models into the mean function of a Gaussian Process (GP) model
and characterize potential discrepancies through kernel machines. A specific
class of kernel function is promoted, which has a connection with the gradient
of the physics-based model with respect to the input and parameters and shares
similarity with the exact Autocovariance function of linear dynamical systems.
The spectral properties of the kernel function enable considering dominant
periodic processes originating from physics misspecification. Nevertheless, the
stationarity of the kernel function is a difficult hurdle in the sequential
processing of long data sets, resolved through hierarchical Bayesian
techniques. This implementation is also advantageous to mitigate computational
costs, alleviating the scalability of GPs when dealing with sequential data.
Using numerical and experimental examples, potential applications of the
proposed method to structural dynamics inverse problems are demonstrated.
- Abstract(参考訳): 機械学習(ML)は、物理システムのモデリングと予測に広く用いられている。
これらの技術は、観測されたデータセット内の補間に対して高い表現力と優れた一般化性を提供する。
しかし、ブラックボックスモデルの欠点は、物理的知識が組み込まれていないため、盲目条件下では弱くなることである。
物理ベースのMLは、物理を取り入れつつ、ML技術の数学的柔軟性を維持することでこの問題に対処することを目的としている。
本稿では,ガウス過程(GP)モデルの平均関数にメカニクスに基づくモデルを組み込んで,カーネルマシンによる潜在的な不一致を特徴付けることを提案する。
特定の種類のカーネル関数が推進され、入力とパラメータに関して物理学に基づくモデルの勾配と結びつき、線形力学系の正確な自己共分散関数と類似性を共有する。
核関数のスペクトル特性は、物理的不特定性に由来する支配的な周期過程を考慮できる。
それでも、カーネル関数の定常性は、階層的ベイズ手法によって解決された長いデータセットのシーケンシャルな処理において難しいハードルである。
この実装は、逐次データを扱う際のGPのスケーラビリティを軽減し、計算コストを軽減するためにも有利である。
数値的および実験的例を用いて, 構造力学逆問題に対する提案手法の可能性を示す。
関連論文リスト
- Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳(メタデータ) (2023-10-10T13:23:05Z) - Neural Lumped Parameter Differential Equations with Application in
Friction-Stir Processing [2.158307833088858]
Lumpedパラメータ法は、空間的拡張または連続的な物理系の進化を単純化することを目的としている。
一般化微分方程式(Universal Differential Equation)の概念に基づいてデータ駆動モデルを構築する。
論文 参考訳(メタデータ) (2023-04-18T15:11:27Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳(メタデータ) (2023-04-08T07:55:36Z) - Dynamic Bayesian Learning and Calibration of Spatiotemporal Mechanistic
System [0.0]
ノイズ観測に基づくメカニカルモデルの完全学習と校正のためのアプローチを開発する。
通常の偏微分方程式と偏微分方程式の分析から生じる問題を解くことで、この柔軟性を実証する。
論文 参考訳(メタデータ) (2022-08-12T23:17:46Z) - Equivariant Graph Mechanics Networks with Constraints [83.38709956935095]
本稿では,グラフ力学ネットワーク(GMN)を提案する。
GMNは、一般化された座標により、構造体の前方運動学情報(位置と速度)を表す。
大規模な実験は、予測精度、制約満足度、データ効率の観点から、最先端のGNNと比較してGMNの利点を支持する。
論文 参考訳(メタデータ) (2022-03-12T14:22:14Z) - AutoIP: A United Framework to Integrate Physics into Gaussian Processes [15.108333340471034]
あらゆる微分方程式をガウス過程に統合できる枠組みを提案する。
本手法は,シミュレーションと実世界の応用の両方において,バニラGPの改善を示す。
論文 参考訳(メタデータ) (2022-02-24T19:02:14Z) - Learning continuous models for continuous physics [94.42705784823997]
本研究では,科学技術応用のための機械学習モデルを検証する数値解析理論に基づくテストを開発する。
本研究は,従来のMLトレーニング/テスト手法と一体化して,科学・工学分野におけるモデルの検証を行う方法である。
論文 参考訳(メタデータ) (2022-02-17T07:56:46Z) - A data-driven peridynamic continuum model for upscaling molecular
dynamics [3.1196544696082613]
分子動力学データから最適線形ペリダイナミックソリッドモデルを抽出する学習フレームワークを提案する。
我々は,符号変化の影響関数を持つ離散化LPSモデルに対して,十分な適切な正当性条件を提供する。
このフレームワークは、結果のモデルが数学的に適切であり、物理的に一貫したものであり、トレーニング中に使用するものと異なる設定によく当てはまることを保証します。
論文 参考訳(メタデータ) (2021-08-04T07:07:47Z) - Quantum-tailored machine-learning characterization of a superconducting
qubit [50.591267188664666]
我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。
このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。
このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
論文 参考訳(メタデータ) (2021-06-24T15:58:57Z) - Learning with Density Matrices and Random Features [62.997667081978825]
密度行列は、量子系の統計状態を記述する。
本稿では,機械学習モデル構築のためのビルディングブロックとして,密度行列をどのように利用できるかを検討する。
論文 参考訳(メタデータ) (2021-02-08T17:54:59Z) - Modeling System Dynamics with Physics-Informed Neural Networks Based on
Lagrangian Mechanics [3.214927790437842]
第一原則の手法は高いバイアスに悩まされるが、データ駆動モデリングは高いばらつきを持つ傾向がある。
本稿では,2つのモデリング手法を組み合わせて上記の問題を解くハイブリッドモデルであるPINODEについて述べる。
本研究の目的は,機械系のモデルベース制御とシステム同定である。
論文 参考訳(メタデータ) (2020-05-29T15:10:43Z)
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。