論文の概要: Constructing Custom Thermodynamics Using Deep Learning
- arxiv url: http://arxiv.org/abs/2308.04119v3
- Date: Fri, 22 Dec 2023 06:12:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-25 18:18:26.870251
- 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: 人工知能(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いた自動科学的発見である。
ここでは、任意の散逸系のマクロ的記述を学習するための一般化オンサーガー原理に基づくプラットフォームを開発する。
本研究では, 長期ポリマー鎖の伸張特性を理論的, 実験的に検証し, その効果を実証する。
- 参考スコア(独自算出の注目度): 10.008895786910195
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: One of the most exciting applications of artificial intelligence (AI) is
automated scientific discovery based on previously amassed data, coupled with
restrictions provided by 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. Here we develop a platform based on a generalized Onsager
principle to learn macroscopic dynamical descriptions of arbitrary stochastic
dissipative systems directly from observations of their microscopic
trajectories. Our method simultaneously constructs reduced thermodynamic
coordinates and interprets the dynamics on these coordinates. We demonstrate
its effectiveness 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 the identification of stable and
transition states and the control of the stretching rate. Our general
methodology can be used to address a wide range of scientific and technological
applications.
- Abstract(参考訳): ai(artificial intelligence)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であり、対称性や保存則など、既知の物理原理による制限と組み合わせられている。
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。
本稿では,任意の確率的散逸系の巨視的力学記述を,その微視的軌跡の観察から直接学習するための一般化オンザガー原理に基づくプラットフォームを開発する。
本手法は, 還元された熱力学的座標を同時に構築し, それらの座標のダイナミクスを解釈する。
提案手法の有効性を理論的に検証し, 外部応用分野における長鎖の伸長を実験的に検証した。
具体的には、3つの解釈可能な熱力学座標を学習し、安定状態と遷移状態の同定と伸縮速度の制御を含む、ポリマー伸長の動的景観を構築する。
我々の一般的な方法論は、幅広い科学的・技術的応用に利用できる。
関連論文リスト
- 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) - 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) - Robust Hamiltonian Engineering for Interacting Qudit Systems [50.591267188664666]
我々は、強く相互作用するキューディット系のロバストな動的疎結合とハミルトン工学の定式化を開発する。
本研究では,これらの手法を,スピン-1窒素空洞中心の強相互作用・無秩序なアンサンブルで実験的に実証した。
論文 参考訳(メタデータ) (2023-05-16T19:12:41Z) - 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) - Equivariant Graph Mechanics Networks with Constraints [83.38709956935095]
本稿では,グラフ力学ネットワーク(GMN)を提案する。
GMNは、一般化された座標により、構造体の前方運動学情報(位置と速度)を表す。
大規模な実験は、予測精度、制約満足度、データ効率の観点から、最先端のGNNと比較してGMNの利点を支持する。
論文 参考訳(メタデータ) (2022-03-12T14:22:14Z) - 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。