論文の概要: An analysis of Universal Differential Equations for data-driven
discovery of Ordinary Differential Equations
- arxiv url: http://arxiv.org/abs/2306.10335v1
- Date: Sat, 17 Jun 2023 12:26:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-21 22:54:16.593044
- Title: An analysis of Universal Differential Equations for data-driven
discovery of Ordinary Differential Equations
- Title(参考訳): 常微分方程式のデータ駆動発見のための普遍微分方程式の解析
- Authors: Mattia Silvestri, Federico Baldo, Eleonora Misino, Michele Lombardi
- Abstract要約: 我々は、普通微分方程式(ODE)発見の文脈で、UDEフレームワークをテストすることで貢献する。
データ駆動型アプローチと数値解法を組み合わせる際の問題をいくつか取り上げる。
我々は,物理インフォームド・機械学習フレームワークの能力と限界を調査する上で,我々の分析は重要な貢献であると考えている。
- 参考スコア(独自算出の注目度): 7.48176340790825
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the last decade, the scientific community has devolved its attention to
the deployment of data-driven approaches in scientific research to provide
accurate and reliable analysis of a plethora of phenomena. Most notably,
Physics-informed Neural Networks and, more recently, Universal Differential
Equations (UDEs) proved to be effective both in system integration and
identification. However, there is a lack of an in-depth analysis of the
proposed techniques. In this work, we make a contribution by testing the UDE
framework in the context of Ordinary Differential Equations (ODEs) discovery.
In our analysis, performed on two case studies, we highlight some of the issues
arising when combining data-driven approaches and numerical solvers, and we
investigate the importance of the data collection process. We believe that our
analysis represents a significant contribution in investigating the
capabilities and limitations of Physics-informed Machine Learning frameworks.
- Abstract(参考訳): 過去10年間で、科学コミュニティは、多くの現象の正確かつ確実な分析を提供するために、科学研究におけるデータ駆動アプローチの展開に注意を向けた。
最も顕著なのは、物理インフォームドニューラルネットワークと、より最近では、ユニバーサル微分方程式(UDE)がシステム統合と識別の両方に有効であることが証明されたことである。
しかし,提案手法の詳細な分析は行われていない。
本研究では、通常の微分方程式(ODE)発見の文脈において、UDEフレームワークをテストすることで貢献する。
本研究では,データ駆動アプローチと数値解法を組み合わせた場合の問題点を2つのケーススタディで分析し,データ収集プロセスの重要性について検討する。
我々は,この分析が物理インフォームド機械学習フレームワークの機能と限界の調査に重要な貢献をしていると考えている。
関連論文リスト
- Simultaneous Dimensionality Reduction for Extracting Useful Representations of Large Empirical Multimodal Datasets [0.0]
我々は,高次元データから低次元記述を得る手段として,次元減少の科学に焦点をあてる。
我々は,システム内の複雑な相互作用や高次元力学系など,従来の仮定に反する実世界のデータによって引き起こされる課題に対処する。
論文 参考訳(メタデータ) (2024-10-23T21:27:40Z) - Identifiability of Differential-Algebraic Systems [7.5929966855085755]
本研究は非線形DAEを特徴とするモデルに対する新しい識別可能性試験を導入する。
我々は,様々なDAEモデルにまたがる識別可能性分析を適用し,システム識別性がセンサの選択,実験条件,モデル構造にどのように依存するかを考察した。
論文 参考訳(メタデータ) (2024-05-22T16:48:47Z) - 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) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳(メタデータ) (2023-10-10T13:23:05Z) - 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) - 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) - D-CIPHER: Discovery of Closed-form Partial Differential Equations [80.46395274587098]
D-CIPHERは人工物の測定に頑健であり、微分方程式の新しい、非常に一般的なクラスを発見できる。
さらに,D-CIPHERを効率的に探索するための新しい最適化手法であるCoLLieを設計する。
論文 参考訳(メタデータ) (2022-06-21T17:59:20Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-02-18T22:41:51Z) - Causal Reinforcement Learning: An Instrumental Variable Approach [8.881788084913147]
データ生成とデータ解析の動的な相互作用は、標準データ分析における内在性の問題を悪化させる新しいタイプのバイアス -- 強化バイアス -- に繋がることを示している。
この論文の重要な貢献は、ノイズが時間依存を特徴とする一般的な設定におけるアルゴリズムの分析を可能にする新しい手法の開発である。
論文 参考訳(メタデータ) (2021-03-06T03:57:46Z) - Optimization with learning-informed differential equation constraints
and its applications [0.0]
半線形楕円偏微分方程式の最適制御と物理積分イメージングの応用に触発されて、微分方程式制約最適化問題を研究する。
特に、機械学習部品の問題の解析と数値的手法に焦点が当てられている。
論文 参考訳(メタデータ) (2020-08-25T09:05:55Z) - Physics-informed learning of governing equations from scarce data [14.95055620484844]
本研究は, 偏微分方程式(PDE)を, 希少かつノイズの多い表現データから検出する物理インフォームド・ディープラーニング・フレームワークを提案する。
本手法の有効性とロバスト性は, 数値的にも実験的にも, 種々のPDEシステムの発見において実証される。
結果として得られる計算フレームワークは、実用的な応用における閉形式モデル発見の可能性を示している。
論文 参考訳(メタデータ) (2020-05-05T22:13:22Z)
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。