論文の概要: Deep Learning for Structure-Preserving Universal Stable Koopman-Inspired
Embeddings for Nonlinear Canonical Hamiltonian Dynamics
- arxiv url: http://arxiv.org/abs/2308.13835v1
- Date: Sat, 26 Aug 2023 09:58:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-29 18:48:38.611877
- Title: Deep Learning for Structure-Preserving Universal Stable Koopman-Inspired
Embeddings for Nonlinear Canonical Hamiltonian Dynamics
- Title(参考訳): 非線形正準ハミルトン力学のための構造保存型普遍安定koopmanインスパイア埋め込みのための深層学習
- Authors: Pawan Goyal and S\"uleyman Y{\i}ld{\i}z and Peter Benner
- Abstract要約: シンプレクティック変換による正準非線形ハミルトン系に対する大域的線形化埋め込みの同定に着目する。
連続スペクトルを持つ系に対するクープマン作用素の欠点を克服するため、持ち上げ原理を適用し、大域的な立方体埋め込みを学習する。
我々は、コンパクトなシンプレクティック座標変換とそれに対応する単純な力学モデルを取得するためのディープラーニングの能力を実証する。
- 参考スコア(独自算出の注目度): 9.599029891108229
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Discovering a suitable coordinate transformation for nonlinear systems
enables the construction of simpler models, facilitating prediction, control,
and optimization for complex nonlinear systems. To that end, Koopman operator
theory offers a framework for global linearization for nonlinear systems,
thereby allowing the usage of linear tools for design studies. In this work, we
focus on the identification of global linearized embeddings for canonical
nonlinear Hamiltonian systems through a symplectic transformation. While this
task is often challenging, we leverage the power of deep learning to discover
the desired embeddings. Furthermore, to overcome the shortcomings of Koopman
operators for systems with continuous spectra, we apply the lifting principle
and learn global cubicized embeddings. Additionally, a key emphasis is paid to
enforce the bounded stability for the dynamics of the discovered embeddings. We
demonstrate the capabilities of deep learning in acquiring compact symplectic
coordinate transformation and the corresponding simple dynamical models,
fostering data-driven learning of nonlinear canonical Hamiltonian systems, even
those with continuous spectra.
- Abstract(参考訳): 非線形システムの適切な座標変換の発見により、より単純なモデルの構築が可能になり、複雑な非線形システムの予測、制御、最適化が容易になる。
この目的のために、クープマン作用素理論は非線形システムの大域的線形化の枠組みを提供し、設計研究に線形ツールの使用を可能にする。
本研究では,シンプレクティック変換による正準非線形ハミルトン系の大域的線形埋め込みの同定に着目する。
このタスクは難しいことが多いが、必要な埋め込みを見つけるためにディープラーニングの力を活用している。
さらに,連続スペクトル系に対するkoopman作用素の欠点を克服するために,昇降原理を適用し,大域的立方体埋め込みを学習する。
さらに、発見された埋め込みの力学に対する境界安定性を強制するために重要な重点が支払われる。
本研究では,コンパクトなシンプレクティック座標変換とそれに対応する単純力学モデルを得るための深層学習の能力を示し,非線形正準ハミルトン系のデータ駆動学習を育む。
関連論文リスト
- LeARN: Learnable and Adaptive Representations for Nonlinear Dynamics in System Identification [0.0]
非線形システム識別フレームワークLeARNを導入する。
基礎関数のライブラリをデータから直接学習することで、事前のドメイン知識の必要性を超越します。
我々はNeural Flyデータセットのフレームワークを検証し、その堅牢な適応と能力を示す。
論文 参考訳(メタデータ) (2024-12-16T18:03:23Z) - Learning Koopman-based Stability Certificates for Unknown Nonlinear Systems [4.2162963332651575]
未知非線形系のベクトル場とリアプノフ関数を同時に学習するアルゴリズムフレームワークを提案する。
学習したリアプノフ関数は、満足度モジュロ理論(SMT)の解法を用いて形式的に検証可能であることを示す。
論文 参考訳(メタデータ) (2024-12-03T20:18:24Z) - CGKN: A Deep Learning Framework for Modeling Complex Dynamical Systems and Efficient Data Assimilation [1.3110675202172877]
正確な予測と効率的なDAを同時に提供するために設計されたディープラーニングフレームワークを導入する。
条件付きガウスコオプマンネットワーク(CGKN)は、一般非線形系を条件付きガウス構造を持つ非線形神経微分方程式に変換する。
本研究では, 強い非線形および非ガウス乱流系に対するCGKNの有効性を示す。
論文 参考訳(メタデータ) (2024-10-26T04:30:00Z) - Koopman-based Deep Learning for Nonlinear System Estimation [1.3791394805787949]
複素非線形系の有意な有限次元表現を抽出するために、クープマン作用素理論に基づく新しいデータ駆動線形推定器を提案する。
我々の推定器は推定された非線形系の微分同相変換にも適応しており、再学習せずに最適な状態推定を計算できる。
論文 参考訳(メタデータ) (2024-05-01T16:49:54Z) - Supervised DKRC with Images for Offline System Identification [77.34726150561087]
現代の力学系はますます非線形で複雑なものになりつつある。
予測と制御のためのコンパクトで包括的な表現でこれらのシステムをモデル化するフレームワークが必要である。
本手法は,教師付き学習手法を用いてこれらの基礎関数を学習する。
論文 参考訳(メタデータ) (2021-09-06T04:39:06Z) - Estimating Koopman operators for nonlinear dynamical systems: a
nonparametric approach [77.77696851397539]
Koopman演算子は非線形系の線形記述を可能にする数学的ツールである。
本稿では,その核となる部分を同一フレームワークのデュアルバージョンとして捉え,それらをカーネルフレームワークに組み込む。
カーネルメソッドとKoopman演算子との強力なリンクを確立し、Kernel関数を通じて後者を推定する。
論文 参考訳(メタデータ) (2021-03-25T11:08:26Z) - Simplifying Hamiltonian and Lagrangian Neural Networks via Explicit
Constraints [49.66841118264278]
私たちは、現在のアプローチの限界を押し上げるために、一連の挑戦的なカオスと拡張ボディシステムを導入します。
実験の結果,明示的な制約を持つモンテカルロ座標は,精度とデータ効率を100倍に向上させることがわかった。
論文 参考訳(メタデータ) (2020-10-26T13:35:16Z) - Learning the Linear Quadratic Regulator from Nonlinear Observations [135.66883119468707]
我々は、LQR with Rich Observations(RichLQR)と呼ばれる連続制御のための新しい問題設定を導入する。
本設定では, 線形力学と二次的コストを有する低次元連続潜伏状態によって環境を要約する。
本結果は,システムモデルと一般関数近似における未知の非線形性を持つ連続制御のための,最初の証明可能なサンプル複雑性保証である。
論文 参考訳(メタデータ) (2020-10-08T07:02:47Z) - Active Learning for Nonlinear System Identification with Guarantees [102.43355665393067]
状態遷移が既知の状態-作用対の特徴埋め込みに線形に依存する非線形力学系のクラスについて検討する。
そこで本稿では, トラジェクティブ・プランニング, トラジェクティブ・トラッキング, システムの再推定という3つのステップを繰り返すことで, この問題を解決するためのアクティブ・ラーニング・アプローチを提案する。
本手法は, 非線形力学系を標準線形回帰の統計速度と同様, パラメトリック速度で推定する。
論文 参考訳(メタデータ) (2020-06-18T04:54:11Z) - On dissipative symplectic integration with applications to
gradient-based optimization [77.34726150561087]
本稿では,離散化を体系的に実現する幾何学的枠組みを提案する。
我々は、シンプレクティックな非保守的、特に散逸的なハミルトン系への一般化が、制御された誤差まで収束率を維持することができることを示す。
論文 参考訳(メタデータ) (2020-04-15T00:36:49Z)
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。