論文の概要: Towards true discovery of the differential equations
- arxiv url: http://arxiv.org/abs/2308.04901v1
- Date: Wed, 9 Aug 2023 12:03:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-10 13:53:04.164909
- Title: Towards true discovery of the differential equations
- Title(参考訳): 微分方程式の真の発見に向けて
- Authors: Alexander Hvatov and Roman Titov
- Abstract要約: 微分方程式探索は、解釈可能なモデルを開発するために使用される機械学習サブフィールドである。
本稿では,専門家の入力を伴わない独立方程式発見のための前提条件とツールについて検討する。
- 参考スコア(独自算出の注目度): 77.34726150561087
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Differential equation discovery, a machine learning subfield, is used to
develop interpretable models, particularly in nature-related applications. By
expertly incorporating the general parametric form of the equation of motion
and appropriate differential terms, algorithms can autonomously uncover
equations from data. This paper explores the prerequisites and tools for
independent equation discovery without expert input, eliminating the need for
equation form assumptions. We focus on addressing the challenge of assessing
the adequacy of discovered equations when the correct equation is unknown, with
the aim of providing insights for reliable equation discovery without prior
knowledge of the equation form.
- Abstract(参考訳): 機械学習のサブフィールドである微分方程式発見は、特に自然に関する応用において解釈可能なモデルを開発するために用いられる。
運動方程式の一般パラメトリック形式と適切な微分項を専門的に組み込むことで、アルゴリズムはデータから自動的に方程式を明らかにすることができる。
本稿では, 専門的入力を伴わない独立方程式発見のための前提条件とツールについて検討し, 方程式形式仮定の必要性を解消した。
我々は, 方程式形式を事前に知ることなく, 信頼できる方程式発見のための洞察を提供することを目的として, 適切な方程式が未知である場合の発見方程式の妥当性を評価する課題に焦点をあてる。
関連論文リスト
- No Equations Needed: Learning System Dynamics Without Relying on Closed-Form ODEs [56.78271181959529]
本稿では,従来の2段階モデリングプロセスから離れることで,低次元力学系をモデル化する概念シフトを提案する。
最初に閉形式方程式を発見して解析する代わりに、我々のアプローチ、直接意味モデリングは力学系の意味表現を予測する。
私たちのアプローチは、モデリングパイプラインを単純化するだけでなく、結果のモデルの透明性と柔軟性も向上します。
論文 参考訳(メタデータ) (2025-01-30T18:36:48Z) - Knowledge-aware equation discovery with automated background knowledge extraction [50.79602839359522]
本稿では,未知の方程式を自動的あるいは手動で抽出した背景知識を用いて発見するアルゴリズムについて述べる。
このようにして、任意の方程式形式を得る可能性を維持しながら、専門的に選択された用語を模倣する。
本稿では,知識の抽出と利用により,探索安定性とロバスト性の観点からSINDyアルゴリズムより優れていることを示す。
論文 参考訳(メタデータ) (2024-12-31T13:51:31Z) - Comparison of Single- and Multi- Objective Optimization Quality for
Evolutionary Equation Discovery [77.34726150561087]
進化的微分方程式の発見は、より優先順位の低い方程式を得るための道具であることが証明された。
提案した比較手法は、バーガーズ方程式、波動方程式、コルテヴェーグ・ド・ブリーズ方程式といった古典的なモデル例で示される。
論文 参考訳(メタデータ) (2023-06-29T15:37:19Z) - Model-free machine learning of conservation laws from data [0.0]
本稿では,通常の微分方程式系の最初の積分を与えられた軌跡データから学習する機械学習手法を提案する。
副生成物として、最初の積分が学習されると、微分方程式の系も知られる。
論文 参考訳(メタデータ) (2023-01-12T19:18:07Z) - Symbolic Recovery of Differential Equations: The Identifiability Problem [52.158782751264205]
微分方程式の記号的回復は、支配方程式の導出を自動化する野心的な試みである。
関数が対応する微分方程式を一意に決定するために必要な条件と十分な条件の両方を提供する。
この結果を用いて、関数が微分方程式を一意に解くかどうかを判定する数値アルゴリズムを考案する。
論文 参考訳(メタデータ) (2022-10-15T17:32:49Z) - 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) - Data-Driven Discovery of Coarse-Grained Equations [0.0]
マルチスケールモデリングとシミュレーションは、シミュレーションデータの学習がそのような発見につながる2つの分野である。
我々は、そのようなモデルの人間の発見を、2つのモードで実行できるスパース回帰に基づく機械学習戦略に置き換える。
一連の例は、方程式発見に対する我々のアプローチの正確性、堅牢性、限界を示している。
論文 参考訳(メタデータ) (2020-01-30T23:41:37Z)
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。