論文の概要: Gaussian Process Port-Hamiltonian Systems: Bayesian Learning with Physics Prior

• arxiv url: http://arxiv.org/abs/2305.09017v1
• Date: Mon, 15 May 2023 20:59:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-17 17:11:36.064434
• Title: Gaussian Process Port-Hamiltonian Systems: Bayesian Learning with Physics Prior
• Title（参考訳）: Gaussian Process Port-Hamiltonian Systems:Bayesian Learning with Physics Prior
• Authors: Thomas Beckers, Jacob Seidman, Paris Perdikaris, George J. Pappas
• Abstract要約: データ駆動型アプローチは、収集されたデータに基づく複雑なダイナミクスのモデリングにおいて顕著な結果をもたらす。 これらのモデルは、現実世界のシステムの振る舞いを決定する基本的な物理原理を無視することが多い。 本研究では不確実な定量化を伴う物理インフォームドベイズ学習手法を提案する。
• 参考スコア（独自算出の注目度）: 17.812064311297117
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Data-driven approaches achieve remarkable results for the modeling of complex dynamics based on collected data. However, these models often neglect basic physical principles which determine the behavior of any real-world system. This omission is unfavorable in two ways: The models are not as data-efficient as they could be by incorporating physical prior knowledge, and the model itself might not be physically correct. We propose Gaussian Process Port-Hamiltonian systems (GP-PHS) as a physics-informed Bayesian learning approach with uncertainty quantification. The Bayesian nature of GP-PHS uses collected data to form a distribution over all possible Hamiltonians instead of a single point estimate. Due to the underlying physics model, a GP-PHS generates passive systems with respect to designated inputs and outputs. Further, the proposed approach preserves the compositional nature of Port-Hamiltonian systems.
• Abstract（参考訳）: データ駆動アプローチは、収集されたデータに基づく複雑なダイナミクスのモデリングにおいて顕著な結果をもたらす。 しかし、これらのモデルは現実世界のシステムの振る舞いを決定する基本的な物理原理をしばしば無視する。 この省略は2つの点で好ましくない: モデルは物理的事前知識を組み込むことによって、よりデータ効率が良くないし、モデル自体が物理的に正しいものではないかもしれない。 ガウス過程ポートハミルトニアン系 (gp-phs) を不確実性定量化を伴う物理形ベイズ学習手法として提案する。 GP-PHSのベイズの性質は、収集されたデータを用いて、単一の点推定ではなく、すべての可能なハミルトン分布を形成する。 基礎となる物理モデルにより、GP-PHSは指定された入力と出力に関して受動的システムを生成する。 さらに,提案手法はポートハミルトニアン系の構成的性質を保っている。

関連論文リスト

• Physics-Constrained Learning for PDE Systems with Uncertainty Quantified Port-Hamiltonian Models [0.7350858947639451]
  本稿では,強力な学習ツールと信頼性のある物理モデルを組み合わせた物理制約学習手法を提案する。 ガウス過程のベイズ的性質に基づいて、系の力学を学習するだけでなく、不確実な定量化を可能にする。
  論文  参考訳（メタデータ） (2024-06-17T17:52:01Z)
• Stochastic Inference of Plate Bending from Heterogeneous Data: Physics-informed Gaussian Processes via Kirchhoff-Love Theory [0.0]
  物理インフォームドガウス過程(GP)を用いた古典的キルヒホフ・ラブプレートの推論手法を提案する。 プレート制御方程式の線形微分演算子を用いて, GPを偏向前に配置し, 共分散関数を導出することにより, 確率モデルを多出力GPとして定式化する。 正弦波荷重を受ける支持板と均一荷重を受ける固定板の2つの例で適用性を示す。
  論文  参考訳（メタデータ） (2024-05-21T13:53:58Z)
• Fusion of Gaussian Processes Predictions with Monte Carlo Sampling [61.31380086717422]
  科学と工学において、私たちはしばしば興味のある変数の正確な予測のために設計されたモデルで作業します。 これらのモデルが現実の近似であることを認識し、複数のモデルを同じデータに適用し、結果を統合することが望ましい。
  論文  参考訳（メタデータ） (2024-03-03T04:21:21Z)
• Lie-Poisson Neural Networks (LPNets): Data-Based Computing of Hamiltonian Systems with Symmetries [0.0]
  ハミルトンシステムの長期的進化の正確なデータベースの予測には、各時間ステップで適切な構造を保持するネットワークが必要である。 本稿では, ニューラルネットワーク(LPNet)を用いてデータから変換のパラメータを計算し, ビルディングブロック(G-LPNet)として変換の合成を行う。 結果として得られた手法は,物理システムの長期的ダイナミクスをシミュレーションする正確なデータベースの手法を構築する上で重要である。
  論文  参考訳（メタデータ） (2023-08-29T14:45:23Z)
• 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)
• Port-Hamiltonian Neural Networks with State Dependent Ports [58.720142291102135]
  本手法は,数個の内力および外力を持つ単純な質量スプリングシステムと,より複雑で現実的なシステムの両方において,ストレス試験を行う。 ポート-ハミルトンニューラルネットワークは、状態依存型ポートでより大きな次元に拡張することができる。 スパースデータとノイズデータのトレーニングを改善するための対称高次積分器を提案する。
  論文  参考訳（メタデータ） (2022-06-06T14:57:25Z)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• Gaussian processes meet NeuralODEs: A Bayesian framework for learning the dynamics of partially observed systems from scarce and noisy data [0.0]
  本稿では,非線形力学系の部分的,雑音的,不規則な観測からベイズ系を同定する機械学習フレームワーク(GP-NODE)を提案する。 提案手法は、微分可能プログラミングの最近の発展を利用して、通常の微分方程式解法を用いて勾配情報を伝播する。 捕食者予備システム,システム生物学,50次元ヒューマンモーションダイナミクスシステムを含む提案GP-NODE法の有効性を示すために,一連の数値的研究を行った。
  論文  参考訳（メタデータ） (2021-03-04T23:42:14Z)
• 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)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)
• Augmenting Physical Models with Deep Networks for Complex Dynamics Forecasting [34.61959169976758]
  APHYNITYは、深層データ駆動モデルを持つ微分方程式によって記述された不完全な物理力学を増大させる原理的なアプローチである。 これは、動的を2つのコンポーネントに分解することで構成されます。物理コンポーネントは、事前の知識を持つダイナミクスを、データ駆動コンポーネントは、物理モデルのエラーを説明します。
  論文  参考訳（メタデータ） (2020-10-09T09:31:03Z)

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。