Fugu-MT 論文翻訳(概要): Canonical and Noncanonical Hamiltonian Operator Inference

論文の概要: Canonical and Noncanonical Hamiltonian Operator Inference

arxiv url: http://arxiv.org/abs/2304.06262v1
Date: Thu, 13 Apr 2023 04:45:25 GMT
ステータス: 処理完了
システム内更新日: 2023-04-14 15:42:12.038881
Title: Canonical and Noncanonical Hamiltonian Operator Inference
Title（参考訳）: カノニカルおよび非カノニカルハミルトン作用素推論
Authors: Anthony Gruber and Irina Tezaur
Abstract要約: 正準および非正準ハミルトニアン系の非侵入的・構造保存モデル還元法について述べる。演算子推論の考え方に基づいて、この手法は証明的に収束し、与えられたスナップショットデータとハミルトニアンシステムのグレーボックス知識を直線的に解く。
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: A method for the nonintrusive and structure-preserving model reduction of canonical and noncanonical Hamiltonian systems is presented. Based on the idea of operator inference, this technique is provably convergent and reduces to a straightforward linear solve given snapshot data and gray-box knowledge of the system Hamiltonian. Examples involving several hyperbolic partial differential equations show that the proposed method yields reduced models which, in addition to being accurate and stable with respect to the addition of basis modes, preserve conserved quantities well outside the range of their training data.
Abstract（参考訳）: 正準および非正準ハミルトニアン系の非インタラクティブおよび構造保存モデル還元法を提案する。作用素推論の考え方に基づき、この手法は確実に収束し、与えられたスナップショットデータとハミルトニアン系のグレイボックス知識の単純線形解に還元される。いくつかの双曲型偏微分方程式を含む例では、提案手法は、基礎モードの追加に関して正確かつ安定であると同時に、トレーニングデータの範囲外に保存された保存量を保持する還元モデルを生成する。

関連論文リスト

Structure-preserving learning for multi-symplectic PDEs [8.540823673172403]
偏微分方程式(PDE)の多重シンプレクティック形式を利用して低次モデル(ROM)を推定するエネルギー保存機械学習手法を提案する。提案手法は空間的に離散的な局所エネルギー保存を満足し,多シンプレクティックな保存則を保っていることを実証する。
論文参考訳（メタデータ） (2024-09-16T16:07:21Z)
Total Uncertainty Quantification in Inverse PDE Solutions Obtained with Reduced-Order Deep Learning Surrogate Models [50.90868087591973]
機械学習サロゲートモデルを用いて得られた逆PDE解の総不確かさを近似したベイズ近似法を提案する。非線型拡散方程式に対する反復的アンサンブルスムーズおよび深層アンサンブル法との比較により,提案手法を検証した。
論文参考訳（メタデータ） (2024-08-20T19:06:02Z)
A Structure-Preserving Kernel Method for Learning Hamiltonian Systems [3.594638299627404]
構造保存されたカーネルリッジ回帰法は、潜在的に高次元かつ非線形なハミルトン関数の回復を可能にする。本稿では,勾配の線形関数を含む損失関数が要求される問題に対して,カーネル回帰法を拡張した。固定正則化パラメータと適応正則化パラメータを用いて収束率を提供する完全誤差解析を行う。
論文参考訳（メタデータ） (2024-03-15T07:20:21Z)
Causal Modeling with Stationary Diffusions [89.94899196106223]
定常密度が干渉下でのシステムの挙動をモデル化する微分方程式を学習する。古典的アプローチよりもよく、変数に対する見当たらない介入を一般化することを示します。提案手法は,再生カーネルヒルベルト空間における拡散発生器の定常状態を表す新しい理論結果に基づく。
論文参考訳（メタデータ） (2023-10-26T14:01:17Z)
Symplectic model reduction of Hamiltonian systems using data-driven quadratic manifolds [0.559239450391449]
高次元ハミルトニアン系のシンプレクティックモデル還元のための2つの新しいアプローチを提案する。提案手法の中心に位置する状態近似への二次項の追加により、本質的な低次元性を表現することができる。
論文参考訳（メタデータ） (2023-05-24T18:23:25Z)
Bayesian inference via sparse Hamiltonian flows [16.393322369105864]
ベイジアンコアセット(Bayesian coreset)は、ベイジアン推論中に全データセットを置き換える、小さな重み付きデータサブセットである。現在の手法は遅い傾向にあり、コアセットの構築後に二次的な推論ステップが必要であり、データ限界の証拠には限界がない。これら3つの課題に対処する新しい手法、スパース・ハミルトン流を導入する。
論文参考訳（メタデータ） (2022-03-11T02:36:59Z)
Decimation technique for open quantum systems: a case study with driven-dissipative bosonic chains [62.997667081978825]
量子系の外部自由度への不可避結合は、散逸(非単体)ダイナミクスをもたらす。本稿では,グリーン関数の(散逸的な)格子計算に基づいて,これらのシステムに対処する手法を提案する。本手法のパワーを,複雑性を増大させる駆動散逸型ボゾン鎖のいくつかの例で説明する。
論文参考訳（メタデータ） (2022-02-15T19:00:09Z)
A Variational Inference Approach to Inverse Problems with Gamma Hyperpriors [60.489902135153415]
本稿では,ガンマハイパープライヤを用いた階層的逆問題に対する変分反復交替方式を提案する。提案した変分推論手法は正確な再構成を行い、意味のある不確実な定量化を提供し、実装が容易である。
論文参考訳（メタデータ） (2021-11-26T06:33:29Z)
Exact solutions of interacting dissipative systems via weak symmetries [77.34726150561087]
我々は任意の強い相互作用や非線形性を持つクラスマルコフ散逸系(英語版)のリウヴィリアンを解析的に対角化する。これにより、フルダイナミックスと散逸スペクトルの正確な記述が可能になる。我々の手法は他の様々なシステムに適用でき、複雑な駆動散逸量子系の研究のための強力な新しいツールを提供することができる。
論文参考訳（メタデータ） (2021-09-27T17:45:42Z)
On dissipative symplectic integration with applications to gradient-based optimization [77.34726150561087]
本稿では,離散化を体系的に実現する幾何学的枠組みを提案する。我々は、シンプレクティックな非保守的、特に散逸的なハミルトン系への一般化が、制御された誤差まで収束率を維持することができることを示す。
論文参考訳（メタデータ） (2020-04-15T00:36:49Z)
Operator inference for non-intrusive model reduction of systems with non-polynomial nonlinear terms [6.806310449963198]
本研究では,非ポリノミカル非線形項が空間的局所的な力学系の低次元モデルを学習するための非侵襲的モデル還元法を提案する。提案手法では,非ポリノミカル項を解析形式でのみ必要とし,ブラックボックスフルモデルソルバを用いて計算したスナップショットから残りのダイナミクスを学習する。提案手法は, 偏微分方程式, 拡散反応シャフィー・インファンテモデル, 反応流の管状反応器モデル, 化学分離過程を記述したバッチクロマトグラフィーモデルによって制御される3つの問題について実証した。
論文参考訳（メタデータ） (2020-02-22T16:27:05Z)

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。