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
- 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) - A Mass-Conserving-Perceptron for Machine Learning-Based Modeling of
Geoscientific Systems [1.3597551064547502]
我々は,PCベースとMLベースのモデリングアプローチのギャップを埋める手段として,物理的に解釈可能なMass Conserving Perceptron (MCP)を提案する。
MCPは、PCモデルの基礎となる有向グラフ構造とGRNNの間の固有同型を利用して、物理過程の質量保存性を明確に表す。
論文 参考訳(メタデータ) (2023-10-12T18:09:33Z) - 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) - TANGO: Time-Reversal Latent GraphODE for Multi-Agent Dynamical Systems [43.39754726042369]
連続グラフニューラルネットワークに基づく常微分方程式(GraphODE)により予測される前後の軌跡を整列するソフト制約として,単純かつ効果的な自己監督型正規化項を提案する。
時間反転対称性を効果的に課し、古典力学の下でより広い範囲の力学系にわたってより正確なモデル予測を可能にする。
様々な物理システムに対する実験結果から,提案手法の有効性が示された。
論文 参考訳(メタデータ) (2023-10-10T08:52:16Z) - Learning minimal representations of stochastic processes with
variational autoencoders [52.99137594502433]
プロセスを記述するのに必要なパラメータの最小セットを決定するために、教師なしの機械学習アプローチを導入する。
我々の手法はプロセスを記述する未知のパラメータの自律的な発見を可能にする。
論文 参考訳(メタデータ) (2023-07-21T14:25:06Z) - Evolution TANN and the discovery of the internal variables and evolution
equations in solid mechanics [0.0]
材料表現をインクリメンタルな定式化から切り離す新しい手法を提案する。
熱力学に基づくニューラルネットワーク(TANN)と内部変数の理論にインスパイアされた進化 TANN(eTANN)は、連続時間である。
提案手法の主な特徴は、通常の微分方程式の形で内部変数の進化方程式の発見である。
論文 参考訳(メタデータ) (2022-09-27T09:25:55Z) - Spreading of a local excitation in a Quantum Hierarchical Model [62.997667081978825]
常磁性相における量子ダイソン階層モデルのダイナミクスについて検討する。
地磁気場状態の局所励起による初期状態を考慮する。
局所化機構が発見され、励起は任意の時間で初期位置に近づいたままである。
論文 参考訳(メタデータ) (2022-07-14T10:05:20Z) - 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) - Visual Grounding of Learned Physical Models [66.04898704928517]
人間は、物体の物理的特性を直感的に認識し、複雑な相互作用に従事している場合でも、その動きを予測する。
我々は、物理を同時に推論し、視覚と力学の先行に基づく将来の予測を行うニューラルモデルを提案する。
実験により、我々のモデルはいくつかの観測範囲内で物理的特性を推測できることが示され、モデルが目に見えないシナリオに迅速に適応し、将来正確な予測を行うことができる。
論文 参考訳(メタデータ) (2020-04-28T17:06:38Z) - Watch and learn -- a generalized approach for transferrable learning in
deep neural networks via physical principles [0.0]
本研究では,物理状態の異なる統計物理学における問題に対して,完全に伝達可能な学習を実現するための教師なし学習手法を実証する。
逐次ニューラルネットワークに基づくシーケンスモデルを広範囲のディープニューラルネットワークに結合することにより、古典的な統計力学系の平衡確率分布と粒子間相互作用モデルを学ぶことができる。
論文 参考訳(メタデータ) (2020-03-03T18:37:23Z)
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。