論文の概要: Physics-Informed Solution of The Stationary Fokker-Plank Equation for a
Class of Nonlinear Dynamical Systems: An Evaluation Study
- arxiv url: http://arxiv.org/abs/2309.16725v1
- Date: Mon, 25 Sep 2023 13:17:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-23 05:36:58.262490
- Title: Physics-Informed Solution of The Stationary Fokker-Plank Equation for a
Class of Nonlinear Dynamical Systems: An Evaluation Study
- Title(参考訳): 非線形力学系のクラスに対する定常フォッカー・プランク方程式の物理インフォームド解:評価研究
- Authors: Hussam Alhussein, Mohammed Khasawneh, Mohammed F. Daqaq
- Abstract要約: Fokker-Planck(FP)方程式の正確な解析解は、力学系の限られた部分集合に対してのみ利用できる。
その可能性を評価するために、FP方程式を解くために、データフリーで物理インフォームドニューラルネットワーク(PINN)フレームワークを提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Fokker-Planck (FP) equation is a linear partial differential equation
which governs the temporal and spatial evolution of the probability density
function (PDF) associated with the response of stochastic dynamical systems. An
exact analytical solution of the FP equation is only available for a limited
subset of dynamical systems. Semi-analytical methods are available for larger,
yet still a small subset of systems, while traditional computational methods;
e.g. Finite Elements and Finite Difference require dividing the computational
domain into a grid of discrete points, which incurs significant computational
costs for high-dimensional systems. Physics-informed learning offers a
potentially powerful alternative to traditional computational schemes. To
evaluate its potential, we present a data-free, physics-informed neural network
(PINN) framework to solve the FP equation for a class of nonlinear stochastic
dynamical systems. In particular, through several examples concerning the
stochastic response of the Duffing, Van der Pol, and the Duffing-Van der Pol
oscillators, we assess the ability and accuracy of the PINN framework in $i)$
predicting the PDF under the combined effect of additive and multiplicative
noise, $ii)$ capturing P-bifurcations of the PDF, and $iii)$ effectively
treating high-dimensional systems. Through comparisons with Monte-Carlo
simulations and the available literature, we show that PINN can effectively
address all of the afore-described points. We also demonstrate that the
computational time associated with the PINN solution can be substantially
reduced by using transfer learning.
- Abstract(参考訳): フォッカー・プランク方程式(英: fokker-planck equation)は、確率密度関数(pdf)の時間的・空間的発展を確率力学系の応答に関連づけた線形偏微分方程式である。
FP方程式の正確な解析解は、力学系の限られた部分集合に対してのみ利用できる。
半解析的手法は、より大きいが、それでもシステムの小さな部分集合として利用可能であるが、従来の計算方法(例えば、有限要素と有限差分)では、計算領域を離散点の格子に分割する必要がある。
物理インフォームドラーニングは、従来の計算スキームに代わる強力な代替手段を提供する。
その可能性を評価するために,非線形確率力学系に対するfp方程式を解くために,データフリーな物理インフォームドニューラルネットワーク(pinn)フレームワークを提案する。
特に, Duffing, Van der Pol, Duffing-Van der Pol 発振器の確率応答に関するいくつかの例を通して, PINN フレームワークの性能と精度を$i)$ 加法的および乗法的ノイズの組み合わせによる PDF の予測,$ii)$ PDF の P-bifurcations の捕捉,$iii)$ で効果的に処理する。
モンテカルロシミュレーションと利用可能な文献との比較により、PINNは前述のすべての点を効果的に扱うことができることを示す。
また、転送学習を用いることで、PINNソリューションに関連する計算時間を大幅に削減できることを示す。
関連論文リスト
- Solution of FPK Equation for Stochastic Dynamics Subjected to Additive
Gaussian Noise via Deep Learning Approach [0.0]
フォッカー・プランク・コルモゴロフ方程式(Fokker-Plank-Kolmogorov equation、FPK)は、構造解析や他の多くの応用でよく見られる多くの系を表す理想化されたモデルである。
その重要性にもかかわらず、FPK方程式の解は依然として非常に難しい。
本研究は物理知識を符号化する物理情報ネットワークとしてFPK-DP Netを紹介する。
論文 参考訳(メタデータ) (2023-11-08T07:57:21Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳(メタデータ) (2023-04-08T07:55:36Z) - 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) - Message Passing Neural PDE Solvers [60.77761603258397]
我々は、バックプロップ最適化されたニューラル関数近似器で、グラフのアリーデザインのコンポーネントを置き換えるニューラルメッセージパッシング解決器を構築した。
本稿では, 有限差分, 有限体積, WENOスキームなどの古典的手法を表現的に含んでいることを示す。
本研究では, 異なる領域のトポロジ, 方程式パラメータ, 離散化などにおける高速, 安定, 高精度な性能を, 1次元, 2次元で検証する。
論文 参考訳(メタデータ) (2022-02-07T17:47:46Z) - Optimal Transport Based Refinement of Physics-Informed Neural Networks [0.0]
我々は、最適輸送(OT)の概念に基づく偏微分方程式(PDE)の解法として、よく知られた物理情報ニューラルネットワーク(PINN)の改良戦略を提案する。
PINNの解法は、完全接続された病理のスペクトルバイアス、不安定な勾配、収束と精度の難しさなど、多くの問題に悩まされている。
本稿では,既存の PINN フレームワークを補完する OT-based sample を用いて,Fokker-Planck-Kolmogorov Equation (FPKE) を解くための新しいトレーニング戦略を提案する。
論文 参考訳(メタデータ) (2021-05-26T02:51:20Z) - Efficient training of physics-informed neural networks via importance
sampling [2.9005223064604078]
Physics-In Neural Networks(PINN)は、偏微分方程式(PDE)によって制御されるシステムを計算するために訓練されているディープニューラルネットワークのクラスである。
重要サンプリング手法により,PINN訓練の収束挙動が改善されることが示唆された。
論文 参考訳(メタデータ) (2021-04-26T02:45:10Z) - Physics-Informed Neural Network Method for Solving One-Dimensional
Advection Equation Using PyTorch [0.0]
PINNのアプローチは、最適化の強い制約としてPDEを尊重しながらニューラルネットワークのトレーニングを可能にします。
標準的な小規模循環シミュレーションでは、従来のアプローチは乱流拡散モデルの効果とほぼ同じ大きさの擬似拡散効果を組み込むことが示されている。
テストされた全てのスキームのうち、ピンズ近似のみが結果を正確に予測した。
論文 参考訳(メタデータ) (2021-03-15T05:39:17Z) - Linear embedding of nonlinear dynamical systems and prospects for
efficient quantum algorithms [74.17312533172291]
有限非線形力学系を無限線型力学系(埋め込み)にマッピングする方法を述べる。
次に、有限線型系 (truncation) による結果の無限線型系を近似するアプローチを検討する。
論文 参考訳(メタデータ) (2020-12-12T00:01:10Z) - Inference of Stochastic Dynamical Systems from Cross-Sectional
Population Data [8.905677748354364]
生物化学、疫学、金融数学、その他多くの科学分野において、個体群や時間経過データから力学系の駆動方程式を推測することは重要である。
本研究では, 微分方程式に基づいて, 人口の確率密度の進化を記述するフォッカー・プランク方程式を推定し, 計算的に推定する。
そして、USDLアプローチに従って、Fokker-Planck方程式を適切なテスト関数の集合に投影し、方程式の線形系に変換する。
論文 参考訳(メタデータ) (2020-12-09T14:02:29Z) - Provably Efficient Neural Estimation of Structural Equation Model: An
Adversarial Approach [144.21892195917758]
一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。
線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。
提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
論文 参考訳(メタデータ) (2020-07-02T17:55:47Z) - Multipole Graph Neural Operator for Parametric Partial Differential
Equations [57.90284928158383]
物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。
線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。
実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
論文 参考訳(メタデータ) (2020-06-16T21:56:22Z)
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。