論文の概要: Learning noise-induced transitions by multi-scaling reservoir computing

• arxiv url: http://arxiv.org/abs/2309.05413v1
• Date: Mon, 11 Sep 2023 12:26:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-12 12:49:27.235391
• Title: Learning noise-induced transitions by multi-scaling reservoir computing
• Title（参考訳）: マルチスケーリング貯水池計算による雑音誘起遷移の学習
• Authors: Zequn Lin, Zhaofan Lu, Zengru Di, Ying Tang
• Abstract要約: 我々は、雑音による遷移を学習するために、リカレントニューラルネットワークの一種として貯水池コンピューティングという機械学習モデルを開発する。 トレーニングされたモデルは、遷移時間と遷移回数の正確な統計を生成する。 また、二重井戸ポテンシャルの非対称性、非詳細バランスによる回転力学、多安定系の遷移も認識している。
• 参考スコア（独自算出の注目度）: 2.9170682727903863
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Noise is usually regarded as adversarial to extract the effective dynamics from time series, such that the conventional data-driven approaches usually aim at learning the dynamics by mitigating the noisy effect. However, noise can have a functional role of driving transitions between stable states underlying many natural and engineered stochastic dynamics. To capture such stochastic transitions from data, we find that leveraging a machine learning model, reservoir computing as a type of recurrent neural network, can learn noise-induced transitions. We develop a concise training protocol for tuning hyperparameters, with a focus on a pivotal hyperparameter controlling the time scale of the reservoir dynamics. The trained model generates accurate statistics of transition time and the number of transitions. The approach is applicable to a wide class of systems, including a bistable system under a double-well potential, with either white noise or colored noise. It is also aware of the asymmetry of the double-well potential, the rotational dynamics caused by non-detailed balance, and transitions in multi-stable systems. For the experimental data of protein folding, it learns the transition time between folded states, providing a possibility of predicting transition statistics from a small dataset. The results demonstrate the capability of machine-learning methods in capturing noise-induced phenomena.
• Abstract（参考訳）: ノイズは通常、時系列から有効な力学を抽出する逆数と見なされ、従来のデータ駆動型アプローチはノイズ効果を緩和することで力学を学習することを目的としている。 しかし、ノイズは多くの自然および工学的確率力学の基礎となる安定状態間の遷移を駆動する機能的役割を持つ。 データからそのような確率的遷移を捉えるために、リカレントニューラルネットワークの一種であるリザーバコンピューティングという機械学習モデルを活用することで、ノイズによって引き起こされる遷移を学習できることを見出した。 我々は,貯水池ダイナミクスの時間スケールを制御する重要なハイパーパラメータに着目し,ハイパーパラメータをチューニングするための簡潔なトレーニングプロトコルを開発した。 トレーニングされたモデルは、遷移時間と遷移回数の正確な統計を生成する。 このアプローチは、ホワイトノイズまたはカラーノイズの2重井戸ポテンシャル下でのビスタブルシステムを含む、幅広い種類のシステムに適用できる。 また、二重井戸ポテンシャルの非対称性、非詳細バランスによる回転力学、多安定系の遷移も認識している。 タンパク質折り畳みの実験データでは、折り畳み状態間の遷移時間を学習し、小さなデータセットから遷移統計量を予測することができる。 その結果,ノイズを捕捉する機械学習手法の有効性が示された。

関連論文リスト

• Randomised benchmarking for characterizing and forecasting correlated processes [8.788375252357945]
  本研究では,時間的相関雑音の詳細を学習する手法を開発した。 特に、システム+バスの時間非依存進化演算子を学習することができる。 超伝導量子プロセッサに実装することでこれを実証する。
  論文  参考訳（メタデータ） (2023-12-11T01:55:44Z)
• Stochastic Latent Transformer: Efficient Modelling of Stochastically Forced Zonal Jets [0.0]
  本稿では,SLT(Stochastic Latent Transformer)という新しい確率論的学習手法を提案する。 SLTは、様々な統合期間にわたってシステムダイナミクスを正確に再現し、定量的診断を通じて検証する。 水平平均流をエミュレートする際の5次のマグニチュードスピードアップを実現する。
  論文  参考訳（メタデータ） (2023-10-25T16:17:00Z)
• Value function estimation using conditional diffusion models for control [62.27184818047923]
  拡散値関数(DVF)と呼ばれる単純なアルゴリズムを提案する。 拡散モデルを用いて環境-ロボット相互作用の連成多段階モデルを学ぶ。 本稿では,DVFを用いて複数のコントローラの状態を効率よく把握する方法を示す。
  論文  参考訳（メタデータ） (2023-06-09T18:40:55Z)
• Latent Class-Conditional Noise Model [54.56899309997246]
  本稿では,ベイズ的枠組みの下での雑音遷移をパラメータ化するためのLatent Class-Conditional Noise Model (LCCN)を提案する。 次に、Gibs sampler を用いて遅延真のラベルを効率的に推測できる LCCN の動的ラベル回帰法を導出する。 提案手法は,サンプルのミニバッチから事前の任意チューニングを回避するため,ノイズ遷移の安定な更新を保護している。
  論文  参考訳（メタデータ） (2023-02-19T15:24:37Z)
• Operator inference with roll outs for learning reduced models from scarce and low-quality data [0.0]
  本稿では、演算子推論によるデータ駆動モデリングと、ニューラル常微分方程式のロールアウトによる動的トレーニングを組み合わせることを提案する。 実験では,データのサンプル化やノイズの最大10%の汚染があっても,ロールアウトによる演算子推論が学習軌跡からの予測モデルを提供することを示した。
  論文  参考訳（メタデータ） (2022-12-02T19:41:31Z)
• Stabilizing Machine Learning Prediction of Dynamics: Noise and Noise-inspired Regularization [58.720142291102135]
  近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。 緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。 トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
  論文  参考訳（メタデータ） (2022-11-09T23:40:52Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
  本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。 静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
  論文  参考訳（メタデータ） (2022-02-25T20:00:56Z)
• Extracting stochastic dynamical systems with $\alpha$-stable L\'evy noise from data [14.230182518492311]
  本稿では,短時間のバーストデータから$$alpha$-stable L'evyノイズを持つシステムを抽出するデータ駆動方式を提案する。 より具体的には、最初にL'evyジャンプ測度と雑音強度を推定する。 次に,非局所クラマース・モヤル式と正規化流を組み合わせることでドリフト係数を近似する。
  論文  参考訳（メタデータ） (2021-09-30T06:57:42Z)
• Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
  経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。 分散による離散乗法雑音のパラメータによく現れることを示す。 最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
  論文  参考訳（メタデータ） (2020-06-11T09:58:01Z)

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。