論文の概要: Learning force laws in many-body systems
- arxiv url: http://arxiv.org/abs/2310.05273v1
- Date: Sun, 8 Oct 2023 20:12:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-23 04:15:27.575490
- Title: Learning force laws in many-body systems
- Title(参考訳): 多体系における学習力則
- Authors: Wentao Yu, Eslam Abdelaleem, Ilya Nemenman, Justin C. Burton
- Abstract要約: 粉塵プラズマ実験において,機械学習モデルにより強制法則を推論できることが示されている。
このモデルの精度は、現在の理論の解決を超えた、ほこりの多いプラズマにおける新しい物理学を示している。
- 参考スコア(独自算出の注目度): 2.3875869309951105
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Scientific laws describing natural systems may be more complex than our
intuition can handle, and thus how we discover laws must change. Machine
learning (ML) models can analyze large quantities of data, but their structure
should match the underlying physical constraints to provide useful insight.
Here we demonstrate a ML approach that incorporates such physical intuition to
infer force laws in dusty plasma experiments. Trained on 3D particle
trajectories, the model accounts for inherent symmetries and non-identical
particles, accurately learns the effective non-reciprocal forces between
particles, and extracts each particle's mass and charge. The model's accuracy
(R^2 > 0.99) points to new physics in dusty plasma beyond the resolution of
current theories and demonstrates how ML-powered approaches can guide new
routes of scientific discovery in many-body systems.
- Abstract(参考訳): 自然システムを記述する科学的法則は、私たちの直観が扱えるものよりも複雑である可能性がある。
機械学習(ML)モデルは大量のデータを分析できるが、その構造は基礎となる物理的制約と一致して有用な洞察を提供する必要がある。
ここでは, 粉塵プラズマ実験において, 力の法則を推論するための物理的直観を取り入れたML手法を示す。
3d粒子軌道で訓練されたこのモデルは、固有対称性と非同一粒子を考慮し、粒子間の効果的な非相互力を正確に学習し、各粒子の質量と電荷を抽出する。
モデルの精度(R^2 > 0.99)は、現在の理論の解決を超えた、ほこり質プラズマにおける新しい物理学を指し、MLによるアプローチが多体系における新しい科学的発見経路をいかに導くかを示している。
関連論文リスト
- Towards Complex Dynamic Physics System Simulation with Graph Neural ODEs [75.7104463046767]
本稿では,粒子系の空間的および時間的依存性を特徴付ける新しい学習ベースシミュレーションモデルを提案する。
我々は,GNSTODEのシミュレーション性能を,重力とクーロンの2つの実世界の粒子系上で実証的に評価した。
論文 参考訳(メタデータ) (2023-05-21T03:51:03Z) - Learning Neural Constitutive Laws From Motion Observations for
Generalizable PDE Dynamics [97.38308257547186]
多くのNNアプローチは、支配的PDEと物質モデルの両方を暗黙的にモデル化するエンドツーエンドモデルを学ぶ。
PDEの管理はよく知られており、学習よりも明示的に実施されるべきである、と私たちは主張する。
そこで我々は,ネットワークアーキテクチャを利用したニューラル構成則(Neural Constitutive Laws,NCLaw)と呼ばれる新しいフレームワークを導入する。
論文 参考訳(メタデータ) (2023-04-27T17:42:24Z) - Exact conservation laws for neural network integrators of dynamical
systems [0.0]
ニューラルネットワークのアーキテクチャに自然に保存法則を組み込むためにネーターの定理を用いるアプローチを提案する。
このことが,3つのモデルシステムの予測精度の向上につながることを実証する。
論文 参考訳(メタデータ) (2022-09-23T15:45:05Z) - NeuroFluid: Fluid Dynamics Grounding with Particle-Driven Neural
Radiance Fields [65.07940731309856]
深層学習は流体のような複雑な粒子系の物理力学をモデル化する大きな可能性を示している。
本稿では,流体力学グラウンドリング(fluid dynamics grounding)として知られる,部分的に観測可能なシナリオについて考察する。
我々はNeuroFluidという2段階の異なるネットワークを提案する。
初期形状、粘度、密度が異なる流体の基礎物理学を合理的に推定することが示されている。
論文 参考訳(メタデータ) (2022-03-03T15:13:29Z) - BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。
ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
論文 参考訳(メタデータ) (2021-06-08T10:14:57Z) - Visualizing spinon Fermi surfaces with time-dependent spectroscopy [62.997667081978825]
固体系において確立されたツールである時間依存性光電子分光法を低温原子量子シミュレーターに応用することを提案する。
1次元の$t-J$モデルの正確な対角化シミュレーションで、スピノンが非占有状態の効率的なバンド構造に出現し始めることを示す。
ポンプパルス後のスペクトル関数の依存性はスピノン間の集団的相互作用を明らかにする。
論文 参考訳(メタデータ) (2021-05-27T18:00:02Z) - Learning effective physical laws for generating cosmological
hydrodynamics with Lagrangian Deep Learning [7.6146285961466]
宇宙力学シミュレーションの出力を学習するために,ラグランジアン深層学習を提案する。
このモデルは、観測可能な粒子を記述したラグランジアン変位の層を用いて、有効な物理法則を学習する。
学習されたパラメータの総数はオーダー10のみであり、有効理論パラメータと見なすことができる。
論文 参考訳(メタデータ) (2020-10-06T18:00:00Z) - Heuristic machinery for thermodynamic studies of SU(N) fermions with
neural networks [1.1910997817688513]
機械学習分析を用いて機械を導入する。
我々は、SU($N$)スピン対称性内で相互作用する超低温フェルミオンの密度プロファイルにおける熱力学的研究の導出に機械を用いる。
我々の機械学習フレームワークは、SU($N$) フェルミ液体の理論的記述を検証できる可能性を示している。
論文 参考訳(メタデータ) (2020-06-25T02:31:55Z) - Parsimonious neural networks learn interpretable physical laws [77.34726150561087]
本稿では、ニューラルネットワークと進化的最適化を組み合わせたパシモニクスニューラルネットワーク(PNN)を提案し、精度とパシモニクスのバランスをとるモデルを求める。
アプローチのパワーと汎用性は、古典力学のモデルを開発し、基本特性から材料の融解温度を予測することによって実証される。
論文 参考訳(メタデータ) (2020-05-08T16:15:47Z) - Learning models of quantum systems from experiments [0.2740360306052669]
ハミルトニアンモデルは、科学と産業全体での物理的および化学的プロセスの研究と分析を支えている。
我々は、教師なし機械学習を用いて実験からハミルトンモデルを取得するためのアプローチを提案し、実証する。
論文 参考訳(メタデータ) (2020-02-14T18:37:50Z)
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。