論文の概要: Physics-Informed Representation Learning for Emergent Organization in Complex Dynamical Systems

• arxiv url: http://arxiv.org/abs/2304.12586v1
• Date: Tue, 25 Apr 2023 05:43:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-26 21:49:47.321711
• Title: Physics-Informed Representation Learning for Emergent Organization in Complex Dynamical Systems
• Title（参考訳）: 複素力学系における創発的組織のための物理インフォームド表現学習
• Authors: Adam Rupe and Karthik Kashinath and Nalini Kumar and James P. Crutchfield
• Abstract要約: 我々は,データ駆動型アルゴリズムを実践的に構築する,創発的組織のための理論的基盤的枠組みを導入する。 我々は,光円錐,局所因果状態の予測等価クラスが,複雑な時間系における組織的挙動やコヒーレント構造を捉えていることを示す。 そして、既知の(ハリケーンや大気の川)と、新しい極端な気象事象がピクセルレベルで識別され、高解像度の気候データで時間を通して追跡されることを示す。
• 参考スコア（独自算出の注目度）: 1.4911092205861822
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Nonlinearly interacting system components often introduce instabilities that generate phenomena with new properties and at different space-time scales than the components. This is known as spontaneous self-organization and is ubiquitous in systems far from thermodynamic equilibrium. We introduce a theoretically-grounded framework for emergent organization that, via data-driven algorithms, is constructive in practice. Its building blocks are spacetime lightcones that capture how information propagates across a system through local interactions. We show that predictive equivalence classes of lightcones, local causal states, capture organized behaviors and coherent structures in complex spatiotemporal systems. Using our unsupervised physics-informed machine learning algorithm and a high-performance computing implementation, we demonstrate the applicability of the local causal states for real-world domain science problems. We show that the local causal states capture vortices and their power-law decay behavior in two-dimensional turbulence. We then show that known (hurricanes and atmospheric rivers) and novel extreme weather events can be identified on a pixel-level basis and tracked through time in high-resolution climate data.
• Abstract（参考訳）: 非線形に相互作用するシステムコンポーネントは、新しい特性と異なる時空スケールで現象を生成する不安定性を導入することが多い。 これは自発的自己組織化として知られ、熱力学的平衡から遠く離れた系においてユビキタスである。 我々は,データ駆動型アルゴリズムを実践的に構築する,創発的組織のための理論的基盤的枠組みを導入する。 ビルディングブロックは時空の光錐で、局所的な相互作用を通じてシステムがどのように情報を伝達するかを捉えます。 複雑な時空間系において,光円錐,局所因果状態,組織的挙動,コヒーレント構造の予測等価クラスが成立することを示す。 物理インフォームド機械学習アルゴリズムと高性能コンピューティング実装を用いて,実世界の領域科学問題に対する局所因果状態の適用性を実証した。 局所因果状態が渦を捕捉し, 2次元乱流中におけるパワーロー崩壊挙動を示す。 そして、既知の(ハリケーンや大気の川)と新しい極端な気象事象がピクセルレベルで識別され、高解像度の気候データで時間を通して追跡されることを示す。

関連論文リスト

• Inferring Kernel $ε$-Machines: Discovering Structure in Complex Systems [49.1574468325115]
  本稿では,カーネル因果状態推定を縮小次元空間における座標の集合として符号化する因果拡散成分を提案する。 それぞれのコンポーネントがデータから予測機能を抽出し,そのアプリケーションを4つの例で示す。
  論文  参考訳（メタデータ） (2024-10-01T21:14:06Z)
• Robust Collaborative Perception without External Localization and Clock Devices [52.32342059286222]
  複数のエージェントをまたいだ一貫した空間的時間的調整は、協調的な知覚の基礎である。 従来の手法は、ローカライゼーションとクロック信号を提供するために外部デバイスに依存している。 本稿では,様々なエージェントの知覚データに内在する幾何学的パターンを認識して整列する手法を提案する。
  論文  参考訳（メタデータ） (2024-05-05T15:20:36Z)
• A Hierarchical Framework with Spatio-Temporal Consistency Learning for Emergence Detection in Complex Adaptive Systems [41.055298739292695]
  複雑な適応システムのグローバルな特性であるEmergenceは、例えばネットワークレベルのトラフィック混雑など、現実世界の動的システムで広く利用されている。 本稿では,システム表現とエージェント表現を学習することで,これら2つの問題を解決するために,CASの時間的一貫性を備えた階層型フレームワークを提案する。 提案手法は,3つのデータセットに対する従来の手法や深層学習法よりも,検出の難しい動作をよく知ることができる。
  論文  参考訳（メタデータ） (2024-01-18T08:55:05Z)
• Typhoon Intensity Prediction with Vision Transformer [51.84456610977905]
  台風強度を正確に予測するために「台風強度変換器(Tint)」を導入する。 Tintは、層ごとにグローバルな受容野を持つ自己認識機構を使用する。 公開されている台風ベンチマークの実験は、Tintの有効性を検証する。
  論文  参考訳（メタデータ） (2023-11-28T03:11:33Z)
• Analyzing Complex Systems with Cascades Using Continuous-Time Bayesian Networks [42.88667535189424]
  本研究では,複雑なシステムのカスケード挙動を解析するための連続時間ベイズネットワーク(CTBN)に基づくモデリングフレームワークを提案する。 イベントがシステムを介してどのように伝播するかを記述し、想定される感覚状態、すなわち、差し迫ったカスケード行動を引き起こす可能性のあるシステム状態を特定する。
  論文  参考訳（メタデータ） (2023-08-21T10:06:15Z)
• Clustering-based Identification of Precursors of Extreme Events in Chaotic Systems [0.0]
  力学系の状態における急激かつ急激な高振幅変化は、極端事象と呼ばれる。 カオスシステムにおける希少かつ極端な事象の前駆体を特定するために,データ駆動のモジュラリティに基づくクラスタリング手法の適用性を検討した。
  論文  参考訳（メタデータ） (2023-06-20T12:38:38Z)
• Thermal cycle and polaron formation in structured bosonic environments [0.0]
  オープン量子システムの進化が、それが相互作用する環境の詳細な進化とどのように関連しているかを説明するために、環境観測装置へのアクセスを利用する。 超オーミック環境と強く相互作用する2段階の系を分析し、そこでは極性状態の形成に追従できるスピン-ボソン基底状態の変化を発見する。
  論文  参考訳（メタデータ） (2023-06-07T08:40:04Z)
• Self-Supervised Temporal Graph learning with Temporal and Structural Intensity Alignment [53.72873672076391]
  時間グラフ学習は、動的情報を用いたグラフベースのタスクのための高品質な表現を生成することを目的としている。 本稿では,時間的および構造的情報の両方を抽出する時間的グラフ学習のためのS2Tという自己教師型手法を提案する。 S2Tは、いくつかのデータセットにおける最先端の競合と比較して、少なくとも10.13%のパフォーマンス改善を実現している。
  論文  参考訳（メタデータ） (2023-02-15T06:36:04Z)
• Bridging the Gap to Real-World Object-Centric Learning [66.55867830853803]
  自己教師付き方法で訓練されたモデルから特徴を再構成することは、完全に教師なしの方法でオブジェクト中心表現が生じるための十分な訓練信号であることを示す。 我々のアプローチであるDINOSAURは、シミュレーションデータ上で既存のオブジェクト中心学習モデルよりも大幅に優れています。
  論文  参考訳（メタデータ） (2022-09-29T15:24:47Z)
• CausalCity: Complex Simulations with Agency for Causal Discovery and Reasoning [68.74447489372037]
  本稿では,因果探索と反事実推論のためのアルゴリズムの開発を目的とした,高忠実度シミュレーション環境を提案する。 私たちの作業の中核となるコンポーネントは、複雑なシナリオを定義して作成することが簡単になるような、テキストの緊急性を導入することです。 我々は3つの最先端の手法による実験を行い、ベースラインを作成し、この環境の可利用性を強調する。
  論文  参考訳（メタデータ） (2021-06-25T00:21:41Z)
• Detecting structural perturbations from time series with deep learning [0.0]
  本稿では,関数型時系列から構造摂動を推定するためのグラフニューラルネットワークを提案する。 データ駆動型アプローチは典型的な再構成手法より優れていることを示す。 この研究は、現実世界の複雑なシステムのレジリエンスを研究するための実践的な方法を明らかにする。
  論文  参考訳（メタデータ） (2020-06-09T13:08:40Z)

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。