論文の概要: TANGO: Time-Reversal Latent GraphODE for Multi-Agent Dynamical Systems
- arxiv url: http://arxiv.org/abs/2310.06427v1
- Date: Tue, 10 Oct 2023 08:52:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-11 18:13:05.295532
- Title: TANGO: Time-Reversal Latent GraphODE for Multi-Agent Dynamical Systems
- Title（参考訳）: TANGO:マルチエージェント動的システムのための時間反転潜在グラフ
- Authors: Zijie Huang, Wanjia Zhao, Jingdong Gao, Ziniu Hu, Xiao Luo, Yadi Cao,
Yuanzhou Chen, Yizhou Sun, Wei Wang
- Abstract要約: 連続グラフニューラルネットワークに基づく常微分方程式(GraphODE)により予測される前後の軌跡を整列するソフト制約として,単純かつ効果的な自己監督型正規化項を提案する。
時間反転対称性を効果的に課し、古典力学の下でより広い範囲の力学系にわたってより正確なモデル予測を可能にする。
様々な物理システムに対する実験結果から,提案手法の有効性が示された。
- 参考スコア（独自算出の注目度）: 43.39754726042369
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Learning complex multi-agent system dynamics from data is crucial across many
domains, such as in physical simulations and material modeling. Extended from
purely data-driven approaches, existing physics-informed approaches such as
Hamiltonian Neural Network strictly follow energy conservation law to introduce
inductive bias, making their learning more sample efficiently. However, many
real-world systems do not strictly conserve energy, such as spring systems with
frictions. Recognizing this, we turn our attention to a broader physical
principle: Time-Reversal Symmetry, which depicts that the dynamics of a system
shall remain invariant when traversed back over time. It still helps to
preserve energies for conservative systems and in the meanwhile, serves as a
strong inductive bias for non-conservative, reversible systems. To inject such
inductive bias, in this paper, we propose a simple-yet-effective
self-supervised regularization term as a soft constraint that aligns the
forward and backward trajectories predicted by a continuous graph neural
network-based ordinary differential equation (GraphODE). It effectively imposes
time-reversal symmetry to enable more accurate model predictions across a wider
range of dynamical systems under classical mechanics. In addition, we further
provide theoretical analysis to show that our regularization essentially
minimizes higher-order Taylor expansion terms during the ODE integration steps,
which enables our model to be more noise-tolerant and even applicable to
irreversible systems. Experimental results on a variety of physical systems
demonstrate the effectiveness of our proposed method. Particularly, it achieves
an MSE improvement of 11.5 % on a challenging chaotic triple-pendulum systems.
- Abstract（参考訳）: データから複雑なマルチエージェントシステムのダイナミクスを学ぶことは、物理シミュレーションや物質モデリングなど、多くの領域で不可欠である。
純粋にデータ駆動のアプローチから拡張され、ハミルトニアンニューラルネットワークのような既存の物理学インフォームドアプローチは、誘導バイアスを導入するためのエネルギー保存法に厳格に従う。
しかし、現実世界のシステムの多くは、摩擦のあるスプリングシステムのようなエネルギーを厳密に保存しない。
タイム・リバーサル・シンメトリー(Time-Reversal Symmetry)は、システムのダイナミクスが時間とともに遡るときに不変であり続けることを描いている。
保守的なシステムのエネルギーを維持するのに役立ち、一方で非保守的で可逆的なシステムの強い誘導バイアスとなる。
このような帰納バイアスを注入するために,本論文では,連続グラフニューラルネットワークに基づく常微分方程式(GraphODE)により予測される前後の軌道を整列するソフト制約として,単純かつ効果的な自己教師付き正規化項を提案する。
時間反転対称性を効果的に課し、古典力学の下でより広い範囲の力学系にわたってより正確なモデル予測を可能にする。
さらに、我々の正規化はODE統合段階における高次テイラー展開項を本質的に最小化し、より耐雑音性が高く、可逆的なシステムにも適用可能であることを示す理論解析も提供する。
様々な物理システムに対する実験結果から,提案手法の有効性が示された。
特に、挑戦的なカオス三重振り子システムにおいて、MSEを11.5%改善する。
関連論文リスト
- Physics-Informed Regularization for Domain-Agnostic Dynamical System Modeling [41.82469276824927]
本稿では,幅広い力学系に対して高精度なモデリングを実現するフレームワークを提案する。
保守的なシステムのエネルギーを保ちつつ、非保守的で可逆的なシステムの強い誘導バイアスとして機能する。
ニューラル常微分方程式モデルにTRS損失を組み込むことにより、提案モデルであるTREATは様々な物理系において優れた性能を示す。
論文 参考訳（メタデータ） (2024-10-08T21:04:01Z) - Systematic time-coarse graining for driven quantum systems [7.217684156614636]
我々は、駆動量子系の時間粗粒度力学の完全非単位実効モデルを得るための体系的摂動理論を導入する。
注目すべきは、有効理論が顕微鏡レベルでの単体時間進化を仮定しているにもかかわらず、時間粗い粒度のダイナミクスは一般に単体時間進化に従うことが分かることである。
論文 参考訳（メタデータ） (2024-07-08T16:11:52Z) - AI-Lorenz: A physics-data-driven framework for black-box and gray-box
identification of chaotic systems with symbolic regression [2.07180164747172]
複雑な動的挙動をモデル化した数学的表現を学習するフレームワークを開発する。
私たちは、システムのダイナミクス、時間の変化率、モデル用語の欠如を学ぶために、小さなニューラルネットワークをトレーニングします。
これにより、動的挙動の将来的な進化を予測することができる。
論文 参考訳（メタデータ） (2023-12-21T18:58:41Z) - Machine learning in and out of equilibrium [58.88325379746631]
我々の研究は、統計物理学から適応したフォッカー・プランク法を用いて、これらの平行線を探索する。
我々は特に、従来のSGDでは平衡が切れている長期的限界におけるシステムの定常状態に焦点を当てる。
本稿では,ミニバッチの置き換えを伴わない新しいランゲヴィンダイナミクス(SGLD)を提案する。
論文 参考訳（メタデータ） (2023-06-06T09:12:49Z) - Unifying physical systems' inductive biases in neural ODE using dynamics
constraints [0.0]
省エネシステムだけでなく、散逸システムにも適用可能な簡単な方法を提案する。
提案手法はニューラルネットワークアーキテクチャの変更を必要とせず,新しいアイデアを検証するための基盤を形成することができる。
論文 参考訳（メタデータ） (2022-08-03T14:33:35Z) - Structure-Preserving Learning Using Gaussian Processes and Variational
Integrators [62.31425348954686]
本稿では,機械系の古典力学に対する変分積分器と,ガウス過程の回帰による残留力学の学習の組み合わせを提案する。
我々は、既知のキネマティック制約を持つシステムへのアプローチを拡張し、予測の不確実性に関する公式な境界を提供する。
論文 参考訳（メタデータ） (2021-12-10T11:09:29Z) - Forced Variational Integrator Networks for Prediction and Control of
Mechanical Systems [7.538482310185133]
強制的変動積分器ネットワーク(FVIN)アーキテクチャにより,エネルギー散逸と外部強制を正確に考慮できることを示す。
これにより、高データ効率のモデルベース制御が可能となり、実際の非保守的なシステムで予測できる。
論文 参考訳（メタデータ） (2021-06-05T21:39:09Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳（メタデータ） (2020-10-08T20:25:52Z) - Time-Reversal Symmetric ODE Network [138.02741983098454]
時間反転対称性は古典力学や量子力学においてしばしば保持される基本的な性質である。
本稿では,通常の微分方程式(ODE)ネットワークがこの時間反転対称性にどの程度よく適合しているかを測定する新しい損失関数を提案する。
時間反転対称性を完全に持たないシステムであっても, TRS-ODEN はベースラインよりも優れた予測性能が得られることを示す。
論文 参考訳（メタデータ） (2020-07-22T12:19:40Z) - Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。
暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。
これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文 参考訳（メタデータ） (2020-06-08T09:53:35Z)
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。