Fugu-MT 論文翻訳(概要): Learning Energy Conserving Dynamics Efficiently with Hamiltonian Gaussian Processes

論文の概要: Learning Energy Conserving Dynamics Efficiently with Hamiltonian Gaussian Processes

arxiv url: http://arxiv.org/abs/2303.01925v1
Date: Fri, 3 Mar 2023 13:51:04 GMT
ステータス: 処理完了
システム内更新日: 2023-03-06 14:55:45.825139
Title: Learning Energy Conserving Dynamics Efficiently with Hamiltonian Gaussian Processes
Title（参考訳）: ハミルトニアンガウス過程によるエネルギー保存ダイナミクスの学習
Authors: Magnus Ross, Markus Heinonen
Abstract要約: 効率的に分離されたパラメータ化を施したハミルトン系のプロセスモデルを提案する。本稿では,短軌と長軌の双方から頑健な推論が可能な省エネ射撃法を提案する。本手法がハミルトニアン系を様々なデータ・セッティングで学習することに成功したことを実証する。
参考スコア（独自算出の注目度）: 9.581740983484472
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Hamiltonian mechanics is one of the cornerstones of natural sciences. Recently there has been significant interest in learning Hamiltonian systems in a free-form way directly from trajectory data. Previous methods have tackled the problem of learning from many short, low-noise trajectories, but learning from a small number of long, noisy trajectories, whilst accounting for model uncertainty has not been addressed. In this work, we present a Gaussian process model for Hamiltonian systems with efficient decoupled parameterisation, and introduce an energy-conserving shooting method that allows robust inference from both short and long trajectories. We demonstrate the method's success in learning Hamiltonian systems in various data settings.
Abstract（参考訳）: ハミルトン力学は自然科学の基盤の1つである。近年、軌道データから直接フリーフォームでハミルトン系を学ぶことに大きな関心が寄せられている。従来の手法では、多くの短い低ノイズ軌跡から学習する問題に対処してきたが、モデルの不確実性についての説明は行われていない。本研究では,効率的な非結合パラメータ化を伴うハミルトン系に対するガウス過程モデルを提案し,短軌跡と長軌跡の両方からロバストな推論を可能にするエネルギー保存シューティング法を提案する。本手法は,様々なデータ設定におけるハミルトン系学習における成功例を示す。

関連論文リスト

Learning minimal representations of stochastic processes with variational autoencoders [52.99137594502433]
プロセスを記述するのに必要なパラメータの最小セットを決定するために、教師なしの機械学習アプローチを導入する。我々の手法はプロセスを記述する未知のパラメータの自律的な発見を可能にする。
論文参考訳（メタデータ） (2023-07-21T14:25:06Z)
Scalably learning quantum many-body Hamiltonians from dynamical data [1.702884126441962]
動的データから多体ハミルトニアンと相互作用する家族を学習するための、高度にスケーラブルでデータ駆動のアプローチを導入する。当社のアプローチは非常に実用的で,実験的にフレンドリで,本質的にスケーラブルで,100スピンを超えるシステムサイズを実現しています。
論文参考訳（メタデータ） (2022-09-28T18:00:57Z)
Learning Trajectories of Hamiltonian Systems with Neural Networks [81.38804205212425]
本稿では,モデル系の連続時間軌跡を推定し,ハミルトニアンニューラルネットワークを強化することを提案する。提案手法は, 低サンプリング率, ノイズ, 不規則な観測において, HNNに対して有効であることを示す。
論文参考訳（メタデータ） (2022-04-11T13:25:45Z)
Gradient-Based Trajectory Optimization With Learned Dynamics [80.41791191022139]
データからシステムの微分可能なダイナミクスモデルを学習するために、機械学習技術を使用します。ニューラルネットワークは、大規模な時間的地平線に対して、非常に非線形な振る舞いを正確にモデル化できることが示される。ハードウェア実験において、学習したモデルがSpotとRadio- controlled (RC)の両方の複雑な力学を表現できることを実証した。
論文参考訳（メタデータ） (2022-04-09T22:07:34Z)
Learning Neural Hamiltonian Dynamics: A Methodological Overview [109.40968389896639]
Hamiltonian dynamicsは、ニューラルネットワークに正確な長期予測、解釈可能性、データ効率の学習を与える。我々は最近提案したハミルトンニューラルネットワークモデルについて、特に方法論に焦点を当てて体系的に調査した。
論文参考訳（メタデータ） (2022-02-28T22:54:39Z)
Learning Hamiltonians of constrained mechanical systems [0.0]
ハミルトン系は古典力学においてエレガントでコンパクトな形式主義である。拘束された機械系のハミルトン関数の正確な近似に対する新しいアプローチを提案する。
論文参考訳（メタデータ） (2022-01-31T14:03:17Z)
Robust and Efficient Hamiltonian Learning [2.121963121603413]
軽度の仮定に基づいて制限を回避できる頑健で効率的なハミルトン学習法を提案する。提案手法は,短時間のダイナミクスと局所演算のみを用いて,パウリベースでスパースなハミルトニアンを効率的に学習することができる。ランダムな相互作用強度と分子ハミルトニアンを持つ横場イジング・ハミルトニアンのスケーリングと推定精度を数値的に検証する。
論文参考訳（メタデータ） (2022-01-01T13:48:15Z)
SyMetric: Measuring the Quality of Learnt Hamiltonian Dynamics Inferred from Vision [73.26414295633846]
最近提案されたモデルのクラスは、高次元観測から潜在力学を学習しようと試みている。既存の手法は画像再構成の品質に依存しており、学習した潜在力学の質を常に反映しているわけではない。我々は、基礎となるハミルトン力学が忠実に捕獲されたかどうかのバイナリ指標を含む、一連の新しい尺度を開発する。
論文参考訳（メタデータ） (2021-11-10T23:26:58Z)
Symplectic Learning for Hamiltonian Neural Networks [0.0]
Hamiltonian Neural Networks (HNN)は、統一された"グレーボックス"アプローチに向けた第一歩を踏み出した。損失関数が異なるハミルトン系のシンプレクティック構造を利用する。 HNNが学習できる正確なハミルトン関数の存在を数学的に保証する。
論文参考訳（メタデータ） (2021-06-22T13:33:12Z)
Learning Hamiltonian dynamics by reservoir computer [12.09219019124976]
有限個のパラメータの時系列からハミルトニアン系のカム動力学図を再構成することは非線形科学において際立った問題である。ここでは,貯水池コンピュータ(RC)を知れば,機械学習のアプローチによってこの問題に対処できることを実証する。その結果,rcはシステム状態の短期的変化を予測できるだけでなく,システムダイナミクスの長期的エルゴード特性を再現できることがわかった。
論文参考訳（メタデータ） (2021-04-24T03:08:02Z)
Learning Unstable Dynamics with One Minute of Data: A Differentiation-based Gaussian Process Approach [47.045588297201434]
ガウス過程の微分可能性を利用して、真の連続力学の状態依存線形化近似を作成する方法を示す。 9次元セグウェイのような不安定なシステムのシステムダイナミクスを反復的に学習することで、アプローチを検証する。
論文参考訳（メタデータ） (2021-03-08T05:08:47Z)

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。