論文の概要: Symmetry Preservation in Hamiltonian Systems: Simulation and Learning
- arxiv url: http://arxiv.org/abs/2308.16331v1
- Date: Wed, 30 Aug 2023 21:34:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-01 18:17:29.486858
- Title: Symmetry Preservation in Hamiltonian Systems: Simulation and Learning
- Title(参考訳): ハミルトン系の対称性保存:シミュレーションと学習
- Authors: Miguel Vaquero, Jorge Cort\'es and David Mart\'in de Diego
- Abstract要約: この研究は、ハミルトン系の力学をシミュレートし、学習するための一般的な幾何学的枠組みを示す。
我々は、$G$-不変ラグランジアン部分多様体の構築を通して興味ある写像をシミュレートし、学習することを提案する。
我々の設計は、シンプレクティック幾何学と幾何学力学において重要な技術と概念を活用する。
- 参考スコア(独自算出の注目度): 0.9208007322096532
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This work presents a general geometric framework for simulating and learning
the dynamics of Hamiltonian systems that are invariant under a Lie group of
transformations. This means that a group of symmetries is known to act on the
system respecting its dynamics and, as a consequence, Noether's Theorem,
conserved quantities are observed. We propose to simulate and learn the
mappings of interest through the construction of $G$-invariant Lagrangian
submanifolds, which are pivotal objects in symplectic geometry. A notable
property of our constructions is that the simulated/learned dynamics also
preserves the same conserved quantities as the original system, resulting in a
more faithful surrogate of the original dynamics than non-symmetry aware
methods, and in a more accurate predictor of non-observed trajectories.
Furthermore, our setting is able to simulate/learn not only Hamiltonian flows,
but any Lie group-equivariant symplectic transformation. Our designs leverage
pivotal techniques and concepts in symplectic geometry and geometric mechanics:
reduction theory, Noether's Theorem, Lagrangian submanifolds, momentum
mappings, and coisotropic reduction among others. We also present methods to
learn Poisson transformations while preserving the underlying geometry and how
to endow non-geometric integrators with geometric properties. Thus, this work
presents a novel attempt to harness the power of symplectic and Poisson
geometry towards simulating and learning problems.
- Abstract(参考訳): 本研究は、変換のリー群の下で不変なハミルトン系の力学をシミュレーションし学習するための一般的な幾何学的枠組みを示す。
これは、対称性の群がその力学を尊重する系に作用することが知られ、その結果、ネーターの定理は保存量として観測されることを意味する。
シンプレクティック幾何における重要な対象である,$g$不変ラグランジアン部分多様体の構成を通じて,興味のマッピングをシミュレートし学習することを提案する。
我々の構成の特筆すべき特徴は、シミュレーション/学習されたダイナミクスは元のシステムと同じ保存量を保持しており、非対称性の認識法よりも元のダイナミクスをより忠実にサロゲートし、非観測軌道のより正確な予測器となることである。
さらに,ハミルトニアンフローだけでなく,任意のリー群同変シンプレクティック変換をシミュレート/学習することができる。
我々の設計はシンプレクティック幾何学と幾何学力学において重要な技法と概念(還元理論、ネーターの定理、ラグランジュ部分多様体、運動量写像、共等方還元など)を利用する。
また,ポアソン変換の学習法として,基礎となる幾何学的特徴を持つ非幾何学的積分器の活用法を提案する。
そこで本研究では,シンプレクティック幾何学とポアソン幾何学のパワーをシミュレートし学習する新しい試みを提案する。
関連論文リスト
- Geometric Principles for Machine Learning of Dynamical Systems [0.0]
本稿では,構造的一般化を実現するために,構造に富む幾何学的空間を機械学習に活用することを提案する。
本稿では,線形時間不変力学系の機械学習を通して,この考え方を説明する。
論文 参考訳(メタデータ) (2025-02-19T17:28:40Z) - Latent Space Symmetry Discovery [31.28537696897416]
本稿では,非線形群作用の対称性を発見できる新しい生成モデルであるLatent LieGANを提案する。
本モデルでは,群作用に関する条件下で非線形対称性を表現できることが示されている。
LaLiGANはまた、方程式発見や長期予測を含む下流のタスクに有用な構造化された潜在空間をもたらす。
論文 参考訳(メタデータ) (2023-09-29T19:33:01Z) - Geometric Neural Diffusion Processes [55.891428654434634]
拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。
これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
論文 参考訳(メタデータ) (2023-07-11T16:51:38Z) - Geometric Clifford Algebra Networks [53.456211342585824]
本稿では,動的システムのモデリングのためのGeometric Clifford Algebra Networks (GCANs)を提案する。
GCANは幾何学的(クリフォード)代数を用いた対称性群変換に基づいている。
論文 参考訳(メタデータ) (2023-02-13T18:48:33Z) - Oracle-Preserving Latent Flows [58.720142291102135]
我々はラベル付きデータセット全体にわたって複数の非自明な連続対称性を同時に発見するための方法論を開発する。
対称性変換と対応するジェネレータは、特別に構築された損失関数で訓練された完全連結ニューラルネットワークでモデル化される。
この研究における2つの新しい要素は、縮小次元の潜在空間の使用と、高次元のオラクルに関して不変な変換への一般化である。
論文 参考訳(メタデータ) (2023-02-02T00:13:32Z) - Deep Learning Symmetries and Their Lie Groups, Algebras, and Subalgebras
from First Principles [55.41644538483948]
ラベル付きデータセットに存在する連続した対称性群の検出と同定のためのディープラーニングアルゴリズムを設計する。
完全に接続されたニューラルネットワークを用いて、変換対称性と対応するジェネレータをモデル化する。
また,Lie群とその性質の数学的研究に機械学習アプローチを使うための扉を開く。
論文 参考訳(メタデータ) (2023-01-13T16:25:25Z) - Machine-learning hidden symmetries [0.0]
本稿では,新しい座標系にのみ現れる隠れ対称性を自動検出する手法を提案する。
その中心となる考え方は、ある偏微分方程式の違反として非対称性を定量化し、すべての可逆変換の空間上のそのような違反を数値的に最小化し、可逆ニューラルネットワークとしてパラメータ化することである。
論文 参考訳(メタデータ) (2021-09-20T17:55:02Z) - A Unifying and Canonical Description of Measure-Preserving Diffusions [60.59592461429012]
ユークリッド空間における測度保存拡散の完全なレシピは、最近、いくつかのMCMCアルゴリズムを単一のフレームワークに統合した。
我々は、この構成を任意の多様体に改善し一般化する幾何学理論を開発する。
論文 参考訳(メタデータ) (2021-05-06T17:36:55Z) - Symplectic Geometric Methods for Matrix Differential Equations Arising
from Inertial Navigation Problems [3.94183940327189]
本稿では、力学系の幾何的および代数的性質について考察する。
これはシンプレクティック幾何アルゴリズムの応用分野を偶次元ハミルトニアン系から奇次元力学系へと拡張する。
論文 参考訳(メタデータ) (2020-02-11T11:08:52Z) - Inverse Learning of Symmetries [71.62109774068064]
2つの潜在部分空間からなるモデルで対称性変換を学ぶ。
我々のアプローチは、情報ボトルネックと連続的な相互情報正規化器の組み合わせに基づいています。
我々のモデルは, 人工的および分子的データセットにおける最先端の手法より優れている。
論文 参考訳(メタデータ) (2020-02-07T13:48:52Z)
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。