Fugu-MT 論文翻訳(概要): What's Next? Predicting Hamiltonian Dynamics from Discrete Observations of a Vector Field

論文の概要: What's Next? Predicting Hamiltonian Dynamics from Discrete Observations of a Vector Field

arxiv url: http://arxiv.org/abs/2312.08944v2
Date: Fri, 15 Dec 2023 12:48:25 GMT
ステータス: 処理完了
システム内更新日: 2023-12-18 12:34:12.956243
Title: What's Next? Predicting Hamiltonian Dynamics from Discrete Observations of a Vector Field
Title（参考訳）: 次は何だ? ベクトル場の離散観測によるハミルトンダイナミクスの予測
Authors: Zi-Yu Khoo, Delong Zhang, St\'ephane Bressan
Abstract要約: ベクトル場の離散的な観測からハミルトニアン系の力学を予測するいくつかの方法を提案する。我々は経験的かつ相対的に手法を評価し、システムがハミルトニアンであるという情報を効果的に情報化できることを観察する。
参考スコア（独自算出の注目度）: 1.973144426163543
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present several methods for predicting the dynamics of Hamiltonian systems from discrete observations of their vector field. Each method is either informed or uninformed of the Hamiltonian property. We empirically and comparatively evaluate the methods and observe that information that the system is Hamiltonian can be effectively informed, and that different methods strike different trade-offs between efficiency and effectiveness for different dynamical systems.
Abstract（参考訳）: ベクトル場の離散的観測からハミルトニアン系のダイナミクスを予測するいくつかの方法を提案する。各メソッドは、ハミルトニアンプロパティのインフォームドまたはアンフォームのいずれかである。提案手法を実証的かつ相対的に評価し,システムがハミルトニアンであるという情報を効果的に把握し,異なる手法が異なる力学系に対する効率性と有効性の間のトレードオフを犯すことを観察する。

関連論文リスト

Deep Learning-based Analysis of Basins of Attraction [49.812879456944984]
本研究は,様々な力学系における盆地の複雑さと予測不可能性を特徴づけることの課題に対処する。主な焦点は、この分野における畳み込みニューラルネットワーク(CNN)の効率性を示すことである。
論文参考訳（メタデータ） (2023-09-27T15:41:12Z)
Learning Energy Conserving Dynamics Efficiently with Hamiltonian Gaussian Processes [9.581740983484472]
効率的に分離されたパラメータ化を施したハミルトン系のプロセスモデルを提案する。本稿では,短軌と長軌の双方から頑健な推論が可能な省エネ射撃法を提案する。本手法がハミルトニアン系を様々なデータ・セッティングで学習することに成功したことを実証する。
論文参考訳（メタデータ） (2023-03-03T13:51:04Z)
Quantum-probabilistic Hamiltonian learning for generative modelling & anomaly detection [0.0]
本研究では,データ解析におけるハミルトニアンシステムの学習と活用の可能性について検討する。我々は、シミュレーションされた大型ハドロン衝突型加速器データの生成モデル作成に量子ハミルトンモデルを用いる。さらに、学習したハミルトニアンを用いて異常検出を行い、異なるサンプル型が異なる動的挙動を形成することを示す。
論文参考訳（メタデータ） (2022-11-07T19:00:02Z)
Bayesian Identification of Nonseparable Hamiltonian Systems Using Stochastic Dynamic Models [0.13764085113103217]
本稿では,システム同定(ID)の確率的定式化と非分離ハミルトニアン系の推定を提案する。非分離ハミルトニアン系は、天体物理学、ロボット工学、渦力学、荷電粒子力学、量子力学などの様々な科学・工学応用のモデルに現れる。
論文参考訳（メタデータ） (2022-09-15T23:11:11Z)
Learning Neural Hamiltonian Dynamics: A Methodological Overview [109.40968389896639]
Hamiltonian dynamicsは、ニューラルネットワークに正確な長期予測、解釈可能性、データ効率の学習を与える。我々は最近提案したハミルトンニューラルネットワークモデルについて、特に方法論に焦点を当てて体系的に調査した。
論文参考訳（メタデータ） (2022-02-28T22:54:39Z)
Learning Hamiltonians of constrained mechanical systems [0.0]
ハミルトン系は古典力学においてエレガントでコンパクトな形式主義である。拘束された機械系のハミルトン関数の正確な近似に対する新しいアプローチを提案する。
論文参考訳（メタデータ） (2022-01-31T14:03:17Z)
Robust and Efficient Hamiltonian Learning [2.121963121603413]
軽度の仮定に基づいて制限を回避できる頑健で効率的なハミルトン学習法を提案する。提案手法は,短時間のダイナミクスと局所演算のみを用いて,パウリベースでスパースなハミルトニアンを効率的に学習することができる。ランダムな相互作用強度と分子ハミルトニアンを持つ横場イジング・ハミルトニアンのスケーリングと推定精度を数値的に検証する。
論文参考訳（メタデータ） (2022-01-01T13:48:15Z)
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)
Bridging the gap between topological non-Hermitian physics and open quantum systems [62.997667081978825]
局所摂動に対する応答を測定することにより,異なる位相位相間の遷移を検出する方法を示す。我々の定式化は1Dハタノ・ネルソンモデルで例示され、ボソニックケースとフェルミオンケースの違いを強調している。
論文参考訳（メタデータ） (2021-09-22T18:00:17Z)
Machine Learning S-Wave Scattering Phase Shifts Bypassing the Radial Schr\"odinger Equation [77.34726150561087]
本稿では, 畳み込みニューラルネットワークを用いて, 正確な散乱s波位相シフトを得られる機械学習モデルの実証を行う。我々は、ハミルトニアンが物理的に動機づけられた記述子の構築において、いかにして指導原理として機能するかについて議論する。
論文参考訳（メタデータ） (2021-06-25T17:25:38Z)
A Discrete Variational Derivation of Accelerated Methods in Optimization [68.8204255655161]
最適化のための異なる手法を導出できる変分法を導入する。我々は1対1の対応において最適化手法の2つのファミリを導出する。自律システムのシンプレクティシティの保存は、ここでは繊維のみに行われる。
論文参考訳（メタデータ） (2021-06-04T20:21:53Z)

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。