論文の概要: Pseudo-Hamiltonian system identification
- arxiv url: http://arxiv.org/abs/2305.06920v1
- Date: Tue, 9 May 2023 15:22:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-12 14:16:05.162169
- Title: Pseudo-Hamiltonian system identification
- Title（参考訳）: Pseudo-Hamilton システム同定
- Authors: Sigurd Holmsen, S{\o}lve Eidnes and Signe Riemer-S{\o}rensen
- Abstract要約: 一階常微分方程式としてモデル化できるシステムを考える。
モデルが未知の減衰や外乱の影響を受けないデータに基づいて訓練されたとしても、内部力学の分析用語を学習することができる。
- 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: Identifying the underlying dynamics of physical systems can be challenging
when only provided with observational data. In this work, we consider systems
that can be modelled as first-order ordinary differential equations. By
assuming a certain pseudo-Hamiltonian formulation, we are able to learn the
analytic terms of internal dynamics even if the model is trained on data where
the system is affected by unknown damping and external disturbances. In cases
where it is difficult to find analytic terms for the disturbances, a hybrid
model that uses a neural network to learn these can still accurately identify
the dynamics of the system as if under ideal conditions. This makes the models
applicable in situations where other system identification models fail.
Furthermore, we propose to use a fourth-order symmetric integration scheme in
the loss function and avoid actual integration in the training, and demonstrate
on varied examples how this leads to increased performance on noisy data.
- Abstract（参考訳）: 物理システムの基盤となるダイナミクスを特定することは、観測データのみを提供する場合、困難である。
本研究では、一階常微分方程式としてモデル化できるシステムを考える。
ある擬似ハミルトニアン公式を仮定することで、モデルが未知の減衰や外乱の影響を受けるデータに基づいて訓練されている場合でも、内部力学の解析的用語を学ぶことができる。
乱れの分析的な用語を見つけることが難しい場合、ニューラルネットワークを使って学習するハイブリッドモデルは、理想的な条件の下でシステムのダイナミクスを正確に識別することができる。
これにより、他のシステム識別モデルが失敗する状況に適用できる。
さらに,損失関数における4次対称積分スキームの利用と,トレーニングにおける実際の統合を避けることを提案し,ノイズデータの性能向上につながる様々な例を示す。
関連論文リスト
- Learning Governing Equations of Unobserved States in Dynamical Systems [0.0]
我々は、部分的に観測された力学系の制御方程式を学習するために、ハイブリッドニューラルネットワークODE構造を用いる。
本手法は, 観測されていない状態の真の支配方程式の学習に有効であることを示す。
論文 参考訳（メタデータ） (2024-04-29T10:28:14Z) - AI-Lorenz: A physics-data-driven framework for black-box and gray-box
identification of chaotic systems with symbolic regression [2.07180164747172]
複雑な動的挙動をモデル化した数学的表現を学習するフレームワークを開発する。
私たちは、システムのダイナミクス、時間の変化率、モデル用語の欠如を学ぶために、小さなニューラルネットワークをトレーニングします。
これにより、動的挙動の将来的な進化を予測することができる。
論文 参考訳（メタデータ） (2023-12-21T18:58:41Z) - 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) - Identifiability and Asymptotics in Learning Homogeneous Linear ODE Systems from Discrete Observations [114.17826109037048]
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) - Identifying the Dynamics of a System by Leveraging Data from Similar
Systems [1.9813182042770605]
類似したシステムによって生成されたサンプルにアクセスできる場合,線形系の力学を同定する問題について検討する。
重み付き最小二乗法を用いて、同定された力学の品質に関する有限サンプル性能保証を行う。
論文 参考訳（メタデータ） (2022-04-11T23:47:06Z) - Capturing Actionable Dynamics with Structured Latent Ordinary
Differential Equations [68.62843292346813]
本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。
静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
論文 参考訳（メタデータ） (2022-02-25T20:00:56Z) - 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) - Structure-Preserving Learning Using Gaussian Processes and Variational
Integrators [62.31425348954686]
本稿では,機械系の古典力学に対する変分積分器と,ガウス過程の回帰による残留力学の学習の組み合わせを提案する。
我々は、既知のキネマティック制約を持つシステムへのアプローチを拡張し、予測の不確実性に関する公式な境界を提供する。
論文 参考訳（メタデータ） (2021-12-10T11:09:29Z) - Modeling Systems with Machine Learning based Differential Equations [0.0]
微分方程式の解として,力学系の時間連続モデルの設計を提案する。
以上の結果から,本手法は合成データや実験データに有用である可能性が示唆された。
論文 参考訳（メタデータ） (2021-09-09T19:10:46Z) - 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) - Beyond Occam's Razor in System Identification: Double-Descent when
Modeling Dynamics [0.0]
システム識別は、データから動的システムのモデルを構築することを目的とする。
モデル検証性能はモデル複雑性が増加するにつれてU字型曲線に従うことが典型的に観察される。
機械学習と統計学の最近の進歩は、このu字型モデルパフォーマンス曲線を「二重線」曲線が乗じる状況を観察している。
論文 参考訳（メタデータ） (2020-12-11T13:34:56Z)
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。