論文の概要: Partial observations, coarse graining and equivariance in Koopman
operator theory for large-scale dynamical systems
- arxiv url: http://arxiv.org/abs/2307.15325v1
- Date: Fri, 28 Jul 2023 06:03:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-31 13:45:31.992684
- Title: Partial observations, coarse graining and equivariance in Koopman
operator theory for large-scale dynamical systems
- Title(参考訳): 大規模力学系に対するクープマン作用素論における部分的観察、粗粒度、等式
- Authors: Sebastian Peitz, Hans Harder, Feliks N\"uske, Friedrich Philipp,
Manuel Schaller, Karl Worthmann
- Abstract要約: クープマン作用素は、複雑なシステムのデータ駆動分析、予測、制御に不可欠なツールとなっている。
システム力学の対称性はクープマン作用素に受け継がれ、モデル効率を大幅に向上させることができることを示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Koopman operator has become an essential tool for data-driven analysis,
prediction and control of complex systems, the main reason being the enormous
potential of identifying linear function space representations of nonlinear
dynamics from measurements. Until now, the situation where for large-scale
systems, we (i) only have access to partial observations (i.e., measurements,
as is very common for experimental data) or (ii) deliberately perform coarse
graining (for efficiency reasons) has not been treated to its full extent. In
this paper, we address the pitfall associated with this situation, that the
classical EDMD algorithm does not automatically provide a Koopman operator
approximation for the underlying system if we do not carefully select the
number of observables. Moreover, we show that symmetries in the system dynamics
can be carried over to the Koopman operator, which allows us to massively
increase the model efficiency. We also briefly draw a connection to domain
decomposition techniques for partial differential equations and present
numerical evidence using the Kuramoto--Sivashinsky equation.
- Abstract(参考訳): クープマン作用素は、データ駆動解析、予測、複雑なシステムの制御に欠かせないツールとなり、その主な理由は、非線形力学の線型関数空間表現を計測から特定する大きな可能性である。
これまでは、大規模システムでは、私たちは
一 部分観測(実験データにおいて非常に一般的な測定)にのみアクセスすることができること又は
(ii)(効率上の理由から)故意に粗粒化を行うことは、その範囲では処理されていない。
本稿では,古典的EDMDアルゴリズムが観測対象数を慎重に選択しなければ,基底系に対するクープマン演算子近似を自動で提供しないという,この状況に関連する落とし穴に対処する。
さらに,システム力学の対称性をクープマン作用素に渡すことで,モデル効率を大幅に向上させることができることを示す。
また,偏微分方程式の領域分解手法とのつながりを簡潔に描き,倉本-シヴァシンスキー方程式を用いて数値的証拠を提示する。
関連論文リスト
- Mori-Zwanzig latent space Koopman closure for nonlinear autoencoder [0.0]
本研究は、低次元空間におけるクープマン作用素を頑健に近似する、MZ-AE(Mori-Zwanzig autoencoder)と呼ばれる新しいアプローチを提案する。
提案手法は非線形オートエンコーダを用いて,有限不変なクープマン部分空間を近似するキーオブザーバブルを抽出する。
カオス的倉本・シヴァシンスキーに対する低次元近似を提供し、短期予測可能性と堅牢な長期統計性能を提供する。
論文 参考訳(メタデータ) (2023-10-16T18:22:02Z) - Koopman operator learning using invertible neural networks [0.6846628460229516]
クープマン作用素論において、有限次元非線形系は可観測関数の集合を用いて無限だが線型系に変換される。
現在の方法論は可観測関数の可逆性の重要性を無視し、不正確な結果をもたらす傾向にある。
本稿では,CF-INN(Coupling Flow Invertible Neural Network)フレームワークを利用したフローベース動的モード分解(FlowDMD)を提案する。
論文 参考訳(メタデータ) (2023-06-30T04:26:46Z) - Estimating Koopman operators with sketching to provably learn large
scale dynamical systems [37.18243295790146]
クープマン作用素の理論は、複雑な力学系を予測・解析するために非パラメトリック機械学習アルゴリズムを展開できる。
ランダムプロジェクションを用いた異なるカーネルベースのクープマン作用素推定器の効率を向上する。
統計的学習率と計算効率のトレードオフを鋭く評価する非誤り境界を確立する。
論文 参考訳(メタデータ) (2023-06-07T15:30:03Z) - Learning Linear Causal Representations from Interventions under General
Nonlinear Mixing [52.66151568785088]
介入対象にアクセスできることなく、未知の単一ノード介入を考慮し、強い識別可能性を示す。
これは、ディープニューラルネットワークの埋め込みに対する非ペアの介入による因果識別性の最初の例である。
論文 参考訳(メタデータ) (2023-06-04T02:32:12Z) - 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) - 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) - Supervised DKRC with Images for Offline System Identification [77.34726150561087]
現代の力学系はますます非線形で複雑なものになりつつある。
予測と制御のためのコンパクトで包括的な表現でこれらのシステムをモデル化するフレームワークが必要である。
本手法は,教師付き学習手法を用いてこれらの基礎関数を学習する。
論文 参考訳(メタデータ) (2021-09-06T04:39:06Z) - Estimating Koopman operators for nonlinear dynamical systems: a
nonparametric approach [77.77696851397539]
Koopman演算子は非線形系の線形記述を可能にする数学的ツールである。
本稿では,その核となる部分を同一フレームワークのデュアルバージョンとして捉え,それらをカーネルフレームワークに組み込む。
カーネルメソッドとKoopman演算子との強力なリンクを確立し、Kernel関数を通じて後者を推定する。
論文 参考訳(メタデータ) (2021-03-25T11:08:26Z) - Data Assimilation Networks [1.5545257664210517]
データ同化は、システムの数学的表現とノイズの観測を組み合わせることで、力学系の状態を予測することを目的としている。
本稿では,再帰的エルマンネットワークとデータ同化アルゴリズムを一般化した完全データ駆動型ディープラーニングアーキテクチャを提案する。
本アーキテクチャは, 明示的な正規化手法を使わずに, システム状態の確率密度関数の解析と伝播の両面において, EnKF に匹敵する性能を達成している。
論文 参考訳(メタデータ) (2020-10-19T17:35:36Z) - On dissipative symplectic integration with applications to
gradient-based optimization [77.34726150561087]
本稿では,離散化を体系的に実現する幾何学的枠組みを提案する。
我々は、シンプレクティックな非保守的、特に散逸的なハミルトン系への一般化が、制御された誤差まで収束率を維持することができることを示す。
論文 参考訳(メタデータ) (2020-04-15T00:36:49Z) - Forecasting Sequential Data using Consistent Koopman Autoencoders [52.209416711500005]
クープマン理論に関連する新しい物理学に基づく手法が導入された。
本稿では,既存の作業の多くと異なり,前方・後方のダイナミクスを生かした新しいコンシスタント・クープマン・オートエンコーダモデルを提案する。
このアプローチの鍵となるのは、一貫性のある力学と関連するクープマン作用素との相互作用を探索する新しい解析である。
論文 参考訳(メタデータ) (2020-03-04T18:24:30Z)
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。