論文の概要: Constructing Custom Thermodynamics Using Deep Learning
- arxiv url: http://arxiv.org/abs/2308.04119v1
- Date: Tue, 8 Aug 2023 08:19:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-09 13:35:15.813542
- Title: Constructing Custom Thermodynamics Using Deep Learning
- Title（参考訳）: ディープラーニングを用いたカスタム熱力学の構築
- Authors: Xiaoli Chen, Beatrice W. Soh, Zi-En Ooi, Eleonore Vissol-Gaudin,
Haijun Yu, Kostya S. Novoselov, Kedar Hippalgaonkar, Qianxiao Li
- Abstract要約: 我々は,任意の散逸系の動的記述を学習するために,一般化したOnsager原理に基づくプラットフォームを開発する。
複雑さと大きさが完全に微視的記述を非現実的にするシステムに焦点を当てる。
我々の機械学習アプローチは、還元熱力学座標を同時に構築し、これらの座標上の力学を解釈することでこの問題に対処する。
- 参考スコア（独自算出の注目度）: 10.835038970141284
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: One of the most exciting applications of AI is automated scientific discovery
based on previously amassed data, coupled with restrictions provided by the
known physical principles, including symmetries and conservation laws. Such
automated hypothesis creation and verification can assist scientists in
studying complex phenomena, where traditional physical intuition may fail. Of
particular importance are complex dynamic systems where their time evolution is
strongly influenced by varying external parameters. In this paper we develop a
platform based on a generalised Onsager principle to learn macroscopic
dynamical descriptions of arbitrary stochastic dissipative systems directly
from observations of their microscopic trajectories. We focus on systems whose
complexity and sheer sizes render complete microscopic description impractical,
and constructing theoretical macroscopic models requires extensive domain
knowledge or trial-and-error. Our machine learning approach addresses this by
simultaneously constructing reduced thermodynamic coordinates and interpreting
the dynamics on these coordinates. We demonstrate our method by studying
theoretically and validating experimentally, the stretching of long polymer
chains in an externally applied field. Specifically, we learn three
interpretable thermodynamic coordinates and build a dynamical landscape of
polymer stretching, including (1) the identification of stable and transition
states and (2) the control of the stretching rate. We further demonstrate the
universality of our approach by applying it to an unrelated problem in a
different domain: constructing macroscopic dynamics for spatial epidemics,
showing that our method addresses wide scientific and technological
applications.
- Abstract（参考訳）: AIの最もエキサイティングな応用の1つは、以前に蓄積されたデータに基づく自動科学的発見と、対称性や保存法を含む既知の物理原則によって提供される制限である。
このような自動仮説作成と検証は、従来の物理的直観が失敗する複雑な現象の研究を支援する。
特に重要なのが複雑な動的システムであり、時間発展は外部のパラメータによって強く影響を受ける。
本稿では,任意の確率散逸系のマクロ的動的記述を,その微視的軌跡の観察から直接学習する,一般化したOnsager原理に基づくプラットフォームを開発する。
複雑性と大きさが完全に顕微鏡的な記述を非現実的にするシステムに注目し,理論マクロモデルの構築には広範なドメイン知識や試行錯誤が必要となる。
我々の機械学習アプローチは、還元熱力学座標を同時に構築し、これらの座標上の力学を解釈することでこの問題に対処する。
提案手法を理論的および実験的に検証し, 外部応用分野における長鎖の延伸を実証する。
具体的には,(1)安定状態と遷移状態の同定,(2)伸張速度の制御など,3つの解釈可能な熱力学的座標を学習し,高分子伸展の動的景観を構築する。
我々はさらに,このアプローチの普遍性を,異なる領域の無関係問題に適用することで実証する。空間的流行に対するマクロダイナミクスの構築であり,その手法が幅広い科学的・技術的応用に対応していることを示す。
関連論文リスト
- Pioneer: Physics-informed Riemannian Graph ODE for Entropy-increasing Dynamics [61.70424540412608]
幅広いエントロピー増加動的システムに対する物理インフォームドグラフODEを提案する。
我々は、物理法則に従って、証明可能なエントロピーの非減少を報告する。
実証的な結果は、実際のデータセット上でのPioneerの優位性を示している。
論文 参考訳（メタデータ） (2025-02-05T14:54:30Z) - Conservation-informed Graph Learning for Spatiotemporal Dynamics Prediction [84.26340606752763]
本稿では,保護インフォームドGNN(CiGNN)について紹介する。
このネットワークは、保守的かつ非保守的な情報が、潜時的行進戦略によって多次元空間を通過する対称性による一般的な対称性保存則に従うように設計されている。
結果は,CiGNNが顕著なベースライン精度と一般化性を示し,様々な時間的ダイナミクスの予測のための学習に容易に適用可能であることを示した。
論文 参考訳（メタデータ） (2024-12-30T13:55:59Z) - GauSim: Registering Elastic Objects into Digital World by Gaussian Simulator [55.02281855589641]
GauSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。
我々は連続体力学を活用し、各カーネルを連続体としてモデル化し、理想化された仮定なしに現実的な変形を考慮に入れた。
ガウシムは質量や運動量保存などの明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
論文 参考訳（メタデータ） (2024-12-23T18:58:17Z) - Understanding Machine Learning Paradigms through the Lens of Statistical Thermodynamics: A tutorial [0.0]
このチュートリアルは、エントロピー、自由エネルギー、そして機械学習に使用される変分推論のような高度なテクニックを掘り下げる。
物理的システムの振る舞いを深く理解することで、より効果的で信頼性の高い機械学習モデルが得られることを示す。
論文 参考訳（メタデータ） (2024-11-24T18:20:05Z) - Automated Discovery of Continuous Dynamics from Videos [4.690264156292023]
システム力学の滑らかさを保った状態変数の集合を探索する手法を提案する。
物理知識のないビデオストリームから自動的に,システムの動的方程式を表すベクトル場を構築する。
論文 参考訳（メタデータ） (2024-10-14T03:37:02Z) - Decomposing heterogeneous dynamical systems with graph neural networks [0.16492989697868887]
グラフニューラルネットワークは、異種システムの相互作用規則と構造を協調的に学習するように設計できることを示す。
学習された潜在構造と力学は、複雑なシステムを事実上分解するために使うことができる。
論文 参考訳（メタデータ） (2024-07-27T04:03:12Z) - LLM and Simulation as Bilevel Optimizers: A New Paradigm to Advance Physical Scientific Discovery [141.39722070734737]
本稿では,大規模言語モデルの知識駆動型抽象推論能力をシミュレーションの計算力で強化することを提案する。
本稿では,2段階最適化フレームワークであるSGA(Scientific Generative Agent)を紹介する。
法発見と分子設計における枠組みの有効性を実証するための実験を行った。
論文 参考訳（メタデータ） (2024-05-16T03:04:10Z) - Morphological Symmetries in Robotics [45.32599550966704]
形態的対称性は ロボットの形態の固有の特性です
これらの対称性は、ロボットの状態空間とセンサーの測定にまで拡張される。
データ駆動型手法では, 機械学習モデルのサンプル効率と一般化を, モルフォロジー対称性により向上させることができることを示す。
解析手法の文脈では、ロボットの力学を低次元独立力学の重ね合わせに分解するために抽象調和解析を用いる。
論文 参考訳（メタデータ） (2024-02-23T17:21:21Z) - 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) - AI Research Associate for Early-Stage Scientific Discovery [1.6861004263551447]
人工知能(AI)は科学活動に何十年も使われ続けている。
我々は、最小バイアスの物理に基づくモデリングに基づく、初期段階の科学的発見のためのAI研究アソシエイトを提案する。
論文 参考訳（メタデータ） (2022-02-02T17:05:52Z) - Integration of Data and Theory for Accelerated Derivable Symbolic
Discovery [3.7521856498259627]
我々は,自然法則の原理的導出を可能にする,記号的回帰と自動定理の証明を組み合わせた方法論を開発する。
ケプラーの第3法則、アインシュタインの相対論的時間拡張、ラングミュアの吸着理論を実証する。
論理的推論と機械学習の組み合わせは、自然現象の重要な側面に関する一般的な洞察を提供する。
論文 参考訳（メタデータ） (2021-09-03T17:19:17Z)
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。