論文の概要: Automatically identifying ordinary differential equations from data
- arxiv url: http://arxiv.org/abs/2304.11182v2
- Date: Wed, 3 May 2023 13:54:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-04 17:26:32.338901
- Title: Automatically identifying ordinary differential equations from data
- Title(参考訳): データから常微分方程式を自動同定する
- Authors: Kevin Egan and Weizhen Li and Rui Carvalho
- Abstract要約: 本稿では,信号の平滑化にデノナイジング技術を統合することによって,動的法則を同定する手法を提案する。
ランダムな初期条件のアンサンブルを持つよく知られた常微分方程式について,本手法の評価を行った。
- 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: Discovering nonlinear differential equations that describe system dynamics
from empirical data is a fundamental challenge in contemporary science. Here,
we propose a methodology to identify dynamical laws by integrating denoising
techniques to smooth the signal, sparse regression to identify the relevant
parameters, and bootstrap confidence intervals to quantify the uncertainty of
the estimates. We evaluate our method on well-known ordinary differential
equations with an ensemble of random initial conditions, time series of
increasing length, and varying signal-to-noise ratios. Our algorithm
consistently identifies three-dimensional systems, given moderately-sized time
series and high levels of signal quality relative to background noise. By
accurately discovering dynamical systems automatically, our methodology has the
potential to impact the understanding of complex systems, especially in fields
where data are abundant, but developing mathematical models demands
considerable effort.
- Abstract(参考訳): 経験的データから系力学を記述する非線形微分方程式の発見は、現代科学における根本的な課題である。
そこで本研究では,信号の平滑化や,関連するパラメータを識別するための疎回帰,推定の不確かさを定量化するためのブートストラップ信頼区間など,動的法則の同定手法を提案する。
本手法は,ランダム初期条件のアンサンブル,長さ増加の時系列,信号対雑音比の変動により,よく知られた常微分方程式に対する評価を行う。
提案アルゴリズムは,中等度な時系列と背景雑音に対して高い信号品質を有する3次元系を連続的に同定する。
力学系を自動で発見することにより, 複雑なシステム, 特にデータが豊富である分野において, 複雑なシステムの理解に影響を及ぼす可能性がある。
関連論文リスト
- Towards stable real-world equation discovery with assessing
differentiating quality influence [52.2980614912553]
一般的に用いられる有限差分法に代わる方法を提案する。
我々は,これらの手法を実問題と類似した問題に適用可能であること,および方程式発見アルゴリズムの収束性を確保する能力の観点から評価する。
論文 参考訳(メタデータ) (2023-11-09T23:32:06Z) - On Robust Numerical Solver for ODE via Self-Attention Mechanism [82.95493796476767]
我々は,内在性雑音障害を緩和し,AIによって強化された数値解法を,データサイズを小さくする訓練について検討する。
まず,教師付き学習における雑音を制御するための自己認識機構の能力を解析し,さらに微分方程式の数値解に付加的な自己認識機構を導入し,簡便かつ有効な数値解法であるAttrを提案する。
論文 参考訳(メタデータ) (2023-02-05T01:39:21Z) - Benchmarking sparse system identification with low-dimensional chaos [1.5849413067450229]
カオスシステムのダイエット標準化データベースを利用して,スパース回帰変種を系統的にベンチマークする。
我々は,このオープンソースツールを用いて,システム識別の異なる手法を定量的に比較する方法を実証する。
いずれの場合も,SINDyの雑音頑健性を改善し,統計的比較を行うためにアンサンブルを用いた。
論文 参考訳(メタデータ) (2023-02-04T18:49:52Z) - Bayesian Spline Learning for Equation Discovery of Nonlinear Dynamics
with Quantified Uncertainty [8.815974147041048]
本研究では,非線形(時空間)力学の擬似的支配方程式を,定量化された不確実性を伴うスパースノイズデータから同定する枠組みを開発した。
提案アルゴリズムは、正準常微分方程式と偏微分方程式によって制御される複数の非線形力学系に対して評価される。
論文 参考訳(メタデータ) (2022-10-14T20:37:36Z) - Identifiability and Asymptotics in Learning Homogeneous Linear ODE
Systems from Discrete Observations [132.317721820131]
通常の微分方程式(ODE)は、機械学習において最近多くの注目を集めている。
理論的な側面、例えば、統計的推定の識別可能性と特性は、いまだに不明である。
本稿では,1つの軌道からサンプリングされた等間隔の誤差のない観測結果から,同次線形ODE系の同定可能性について十分な条件を導出する。
論文 参考訳(メタデータ) (2022-10-12T06:46:38Z) - A Causality-Based Learning Approach for Discovering the Underlying
Dynamics of Complex Systems from Partial Observations with Stochastic
Parameterization [1.2882319878552302]
本稿では,部分的な観測を伴う複雑な乱流系の反復学習アルゴリズムを提案する。
モデル構造を識別し、観測されていない変数を復元し、パラメータを推定する。
数値実験により、新しいアルゴリズムはモデル構造を同定し、多くの複雑な非線形系に対して適切なパラメータ化を提供することに成功した。
論文 参考訳(メタデータ) (2022-08-19T00:35:03Z) - A Priori Denoising Strategies for Sparse Identification of Nonlinear
Dynamical Systems: A Comparative Study [68.8204255655161]
本研究では, 局所的およびグローバルな平滑化手法の性能と, 状態測定値の偏差について検討・比較する。
一般に,測度データセット全体を用いたグローバルな手法は,局所点の周辺に隣接するデータサブセットを用いる局所的手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2022-01-29T23:31:25Z) - Consistency of mechanistic causal discovery in continuous-time using
Neural ODEs [85.7910042199734]
ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。
本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-05-06T08:48:02Z) - Using Data Assimilation to Train a Hybrid Forecast System that Combines
Machine-Learning and Knowledge-Based Components [52.77024349608834]
利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。
動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
論文 参考訳(メタデータ) (2021-02-15T19:56:48Z) - A non-autonomous equation discovery method for time signal
classification [1.933681537640272]
非自律的力学方程式に基づいて時間信号を解析するフレームワークを開発する。
随伴法を用いて勾配を効率的に計算する方法を示す。
また,提案手法が位相像の形で解釈可能性をもたらすことを示す。
論文 参考訳(メタデータ) (2020-11-22T20:03:46Z) - Automatic Differentiation to Simultaneously Identify Nonlinear Dynamics
and Extract Noise Probability Distributions from Data [4.996878640124385]
SINDyは時系列データから類似の動的モデルや方程式を発見するためのフレームワークである。
自動微分と最近のRudyらによって制約されたタイムステッピングを統合したSINDyアルゴリズムの変種を開発する。
本手法は,ガウス分布,一様分布,ガンマ分布,レイリー分布などの確率分布の多様性を同定できることを示す。
論文 参考訳(メタデータ) (2020-09-12T23:52:25Z)
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。