論文の概要: Directed differential equation discovery using modified mutation and cross-over operators

• arxiv url: http://arxiv.org/abs/2308.04996v1
• Date: Wed, 9 Aug 2023 14:50:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-10 13:13:22.942627
• Title: Directed differential equation discovery using modified mutation and cross-over operators
• Title（参考訳）: 修正突然変異とクロスオーバー演算子を用いた直接微分方程式の発見
• Authors: Elizaveta Ivanchik and Alexander Hvatov
• Abstract要約: 本稿では,方程式探索アルゴリズムの進化演算子に導入可能な修正について紹介する。 導電方程式発見と呼ばれる結果のアプローチは、より正確な解へと収束する能力を示す。
• 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: The discovery of equations with knowledge of the process origin is a tempting prospect. However, most equation discovery tools rely on gradient methods, which offer limited control over parameters. An alternative approach is the evolutionary equation discovery, which allows modification of almost every optimization stage. In this paper, we examine the modifications that can be introduced into the evolutionary operators of the equation discovery algorithm, taking inspiration from directed evolution techniques employed in fields such as chemistry and biology. The resulting approach, dubbed directed equation discovery, demonstrates a greater ability to converge towards accurate solutions than the conventional method. To support our findings, we present experiments based on Burgers', wave, and Korteweg--de Vries equations.
• Abstract（参考訳）: プロセスの起源を知る方程式の発見は、魅力的な見通しである。 しかし、ほとんどの方程式発見ツールはパラメータの限定的な制御を提供する勾配法に依存している。 別のアプローチとして、ほとんど全ての最適化段階を修正できる進化方程式発見がある。 本稿では, 化学や生物学などの分野に応用された進化的手法から着想を得て, 方程式探索アルゴリズムの進化演算子に導入可能な改良について検討する。 導電方程式探索と呼ばれる結果のアプローチは、従来の方法よりも正確な解に収束する能力を示している。 本研究では,バーガーズ方程式,波動方程式,コルテヴェーグ-ド・ブリーズ方程式に基づく実験を行った。

関連論文リスト

• 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)
• Equation discovery framework EPDE: Towards a better equation discovery [50.79602839359522]
  進化的最適化に基づく発見フレームワークであるEPDEアルゴリズムを強化する。 提案手法は基本関数や個人差分といった基本構造ブロックを用いて用語を生成する。 我々は,提案アルゴリズムの耐雑音性および全体的な性能を,最先端の方程式探索フレームワークであるSINDyの結果と比較することによって検証する。
  論文  参考訳（メタデータ） (2024-12-28T15:58:44Z)
• 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)
• Variational Quantum Evolution Equation Solver [0.0]
  変分量子アルゴリズムは、短期量子コンピュータ上で偏微分方程式を解くための有望な新しいパラダイムを提供する。 ラプラシアン作用素の暗黙的時間ステッピングにより一般進化方程式を解くための変分量子アルゴリズムを提案する。 反応拡散や圧縮不能なナビエ・ストークス方程式などの非線形項を持つ進化方程式系の半単純解法を提案する。
  論文  参考訳（メタデータ） (2022-04-06T16:02:11Z)
• A Discrete Variational Derivation of Accelerated Methods in Optimization [68.8204255655161]
  最適化のための異なる手法を導出できる変分法を導入する。 我々は1対1の対応において最適化手法の2つのファミリを導出する。 自律システムのシンプレクティシティの保存は、ここでは繊維のみに行われる。
  論文  参考訳（メタデータ） (2021-06-04T20:21:53Z)
• Symbolically Solving Partial Differential Equations using Deep Learning [5.1964883240501605]
  本稿では、微分方程式の正確な解や近似解を生成するニューラルネットワーク手法について述べる。 他のニューラルネットワークとは異なり、我々のシステムは直接解釈できるシンボリック表現を返す。
  論文  参考訳（メタデータ） (2020-11-12T22:16:03Z)
• The data-driven physical-based equations discovery using evolutionary approach [77.34726150561087]
  与えられた観測データから数学的方程式を発見するアルゴリズムについて述べる。 このアルゴリズムは遺伝的プログラミングとスパース回帰を組み合わせたものである。 解析方程式の発見や偏微分方程式(PDE)の発見にも用いられる。
  論文  参考訳（メタデータ） (2020-04-03T17:21:57Z)

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。