Fugu-MT 論文翻訳(概要): Extrapolating tipping points and simulating non-stationary dynamics of complex systems using efficient machine learning

論文の概要: Extrapolating tipping points and simulating non-stationary dynamics of complex systems using efficient machine learning

arxiv url: http://arxiv.org/abs/2312.06283v1
Date: Mon, 11 Dec 2023 10:37:28 GMT
ステータス: 処理完了
システム内更新日: 2023-12-12 16:22:13.236479
Title: Extrapolating tipping points and simulating non-stationary dynamics of complex systems using efficient machine learning
Title（参考訳）: 効率的な機械学習を用いた複雑なシステムの先端点外挿と非定常ダイナミクスのシミュレーション
Authors: Daniel K\"oglmayr, Christoph R\"ath
Abstract要約: 本稿では,非線形力学系の分岐挙動を外挿する次世代貯水池計算に基づく,完全データ駆動型機械学習アルゴリズムを提案する。こうすることで、目に見えないパラメータ領域のポストタイピングポイントダイナミクスをシミュレートすることができる。
参考スコア（独自算出の注目度）: 2.44755919161855
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Model-free and data-driven prediction of tipping point transitions in nonlinear dynamical systems is a challenging and outstanding task in complex systems science. We propose a novel, fully data-driven machine learning algorithm based on next-generation reservoir computing to extrapolate the bifurcation behavior of nonlinear dynamical systems using stationary training data samples. We show that this method can extrapolate tipping point transitions. Furthermore, it is demonstrated that the trained next-generation reservoir computing architecture can be used to predict non-stationary dynamics with time-varying bifurcation parameters. In doing so, post-tipping point dynamics of unseen parameter regions can be simulated.
Abstract（参考訳）: 非線形力学系における先端点遷移のモデルフリーおよびデータ駆動予測は、複雑なシステム科学において困難な課題である。定常学習データサンプルを用いて非線形力学系の分岐挙動を推定するために,次世代貯水池計算に基づく新しい完全データ駆動機械学習アルゴリズムを提案する。本手法はチップング点遷移を外挿できることを示す。さらに, トレーニングされた次世代貯留層計算アーキテクチャを用いて, 時変分岐パラメータを用いた非定常ダイナミクスの予測が可能であることを実証した。これにより、目に見えないパラメータ領域のポストタイピングポイントダイナミクスをシミュレートすることができる。

関連論文リスト

Reconstructing dynamics from sparse observations with no training on target system [0.0]
提案するハイブリッド機械学習フレームワークのパワーは,多くの原型非線形力学系を用いて実証された。このフレームワークは、トレーニングデータが存在しない極端な状況において、複雑で非線形なダイナミクスを再構築するパラダイムを提供する。
論文参考訳（メタデータ） (2024-10-28T17:05:04Z)
Koopman-based Deep Learning for Nonlinear System Estimation [1.3791394805787949]
複素非線形系の有意な有限次元表現を抽出するために、クープマン作用素理論に基づく新しいデータ駆動線形推定器を提案する。我々の推定器は推定された非線形系の微分同相変換にも適応しており、再学習せずに最適な状態推定を計算できる。
論文参考訳（メタデータ） (2024-05-01T16:49:54Z)
Controlling dynamical systems to complex target states using machine learning: next-generation vs. classical reservoir computing [68.8204255655161]
機械学習を用いた非線形力学系の制御は、システムを周期性のような単純な振る舞いに駆動するだけでなく、より複雑な任意の力学を駆動する。まず, 従来の貯水池計算が優れていることを示す。次のステップでは、これらの結果を異なるトレーニングデータに基づいて比較し、代わりに次世代貯水池コンピューティングを使用する別のセットアップと比較する。その結果、通常のトレーニングデータに対して同等のパフォーマンスを提供する一方で、次世代RCは、非常に限られたデータしか利用できない状況において、著しくパフォーマンスが向上していることがわかった。
論文参考訳（メタデータ） (2023-07-14T07:05:17Z)
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)
A Causality-Based Learning Approach for Discovering the Underlying Dynamics of Complex Systems from Partial Observations with Stochastic Parameterization [1.2882319878552302]
本稿では,部分的な観測を伴う複雑な乱流系の反復学習アルゴリズムを提案する。モデル構造を識別し、観測されていない変数を復元し、パラメータを推定する。数値実験により、新しいアルゴリズムはモデル構造を同定し、多くの複雑な非線形系に対して適切なパラメータ化を提供することに成功した。
論文参考訳（メタデータ） (2022-08-19T00:35:03Z)
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)
Using scientific machine learning for experimental bifurcation analysis of dynamic systems [2.204918347869259]
本研究は、極限サイクルを持つ物理非線形力学系に対する普遍微分方程式(UDE)モデルの訓練に焦点をあてる。数値シミュレーションによりトレーニングデータを生成する例を考察するとともに,提案するモデリング概念を物理実験に適用する。ニューラルネットワークとガウス過程の両方を、力学モデルと共に普遍近似器として使用し、UDEモデリングアプローチの正確性と堅牢性を批判的に評価する。
論文参考訳（メタデータ） (2021-10-22T15:43:03Z)
Supervised DKRC with Images for Offline System Identification [77.34726150561087]
現代の力学系はますます非線形で複雑なものになりつつある。予測と制御のためのコンパクトで包括的な表現でこれらのシステムをモデル化するフレームワークが必要である。本手法は,教師付き学習手法を用いてこれらの基礎関数を学習する。
論文参考訳（メタデータ） (2021-09-06T04:39:06Z)
Nonlinear Autoregression with Convergent Dynamics on Novel Computational Platforms [0.0]
貯留層計算は時間情報処理に非線形力学系を利用する。本稿では、定常およびエルゴードの無限次非線形自己回帰モデルとして出力フィードバックを持つ貯水池コンピュータを紹介する。
論文参考訳（メタデータ） (2021-08-18T07:01:16Z)
Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
論文参考訳（メタデータ） (2021-02-15T19:56:48Z)
Active Learning for Nonlinear System Identification with Guarantees [102.43355665393067]
状態遷移が既知の状態-作用対の特徴埋め込みに線形に依存する非線形力学系のクラスについて検討する。そこで本稿では, トラジェクティブ・プランニング, トラジェクティブ・トラッキング, システムの再推定という3つのステップを繰り返すことで, この問題を解決するためのアクティブ・ラーニング・アプローチを提案する。本手法は, 非線形力学系を標準線形回帰の統計速度と同様, パラメトリック速度で推定する。
論文参考訳（メタデータ） (2020-06-18T04:54:11Z)

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。