論文の概要: Taming Waves: A Physically-Interpretable Machine Learning Framework for
Realizable Control of Wave Dynamics
- arxiv url: http://arxiv.org/abs/2312.09460v1
- Date: Mon, 27 Nov 2023 03:34:28 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-15 14:12:10.197292
- Title: Taming Waves: A Physically-Interpretable Machine Learning Framework for
Realizable Control of Wave Dynamics
- Title（参考訳）: taming wave: 波動力学の制御を実現するための物理的解釈可能な機械学習フレームワーク
- Authors: Tristan Shah, Feruza Amirkulova, Stas Tiomkin
- Abstract要約: 本研究では,アクティベートされたメタマテリアル設計による音波の制御に関する研究を目的とした環境について紹介する。
我々は,この環境を深層ニューラルネットワークに基づく新しい機械学習手法の開発に活用する。
本モデルは完全に解釈可能であり,実音響環境の物理的制約と固有特性をその潜時情報表現にマッピングする。
- 参考スコア（独自算出の注目度）: 3.4530027457862
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Controlling systems governed by partial differential equations is an
inherently hard problem. Specifically, control of wave dynamics is challenging
due to additional physical constraints and intrinsic properties of wave
phenomena such as dissipation, attenuation, reflection, and scattering. In this
work, we introduce an environment designed for the study of the control of
acoustic waves by actuated metamaterial designs. We utilize this environment
for the development of a novel machine-learning method, based on deep neural
networks, for efficiently learning the dynamics of an acoustic PDE from
samples. Our model is fully interpretable and maps physical constraints and
intrinsic properties of the real acoustic environment into its latent
representation of information. Within our model we use a trainable perfectly
matched layer to explicitly learn the property of acoustic energy dissipation.
Our model can be used to predict and control scattered wave energy. The
capabilities of our model are demonstrated on an important problem in
acoustics, which is the minimization of total scattered energy. Furthermore, we
show that the prediction of scattered energy by our model generalizes in time
and can be extended to long time horizons. We make our code repository publicly
available.
- Abstract（参考訳）: 偏微分方程式によって制御される系は本質的に難しい問題である。
具体的には, 消散, 減衰, 反射, 散乱などの波動現象の物理的制約や本質的な性質により, 波動力学の制御は困難である。
本研究では, 作動型メタマテリアル設計による音波の制御に関する研究を目的とした環境について紹介する。
我々は,この環境を利用して,深層ニューラルネットワークに基づく新しい機械学習手法を開発し,サンプルから音響PDEの力学を効率的に学習する。
本モデルは完全に解釈可能であり,実音響環境の物理的制約と固有特性をその潜時情報表現にマッピングする。
モデル内では、トレーニング可能な完全整合層を用いて、音響エネルギー散逸の特性を明示的に学習する。
我々のモデルは散乱波エネルギーの予測と制御に利用できる。
本モデルの有効性は, 全散乱エネルギーの最小化である音響学において重要な問題である。
さらに, モデルによる散乱エネルギーの予測は時間的に一般化し, 長期水平線まで拡張可能であることを示す。
コードリポジトリを公開しています。
関連論文リスト
- Data-driven model reconstruction for nonlinear wave dynamics [0.0]
複雑な波動媒質における光ウェーブレットの非線形進化ダイナミクスを解析するための解釈可能な機械学習フレームワークを提案する。
我々はスパースレグレッションを用いて、ウェーブパケットエンベロープの力学を正確に記述できるより単純な有効モデルに微視的な離散格子モデルを還元する。
再構成された方程式は、自己中心化や自己焦点化を含む線形分散非線形効果を正確に再現する。
論文 参考訳（メタデータ） (2024-11-18T13:17:10Z) - The Sound of Water: Inferring Physical Properties from Pouring Liquids [85.30865788636386]
注水液の音響・視覚観測と物理の関連性について検討した。
本研究の目的は, 液位, 容器形状, 注水速度, 充填時間などの物性を自動的に推定することである。
論文 参考訳（メタデータ） (2024-11-18T01:19:37Z) - Individualized Dosing Dynamics via Neural Eigen Decomposition [51.62933814971523]
ニューラル固有微分方程式アルゴリズム(NESDE)を導入する。
NESDEは個別化モデリング、新しい治療ポリシーへの調整可能な一般化、高速で連続的でクローズドな予測を提供する。
本研究は, 総合的・現実的な医療問題におけるNESDEの堅牢性を実証し, 学習力学を用いて, 模擬医療体育環境の公開を行う。
論文 参考訳（メタデータ） (2023-06-24T17:01:51Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳（メタデータ） (2022-06-07T13:51:35Z) - Neural Operator with Regularity Structure for Modeling Dynamics Driven
by SPDEs [70.51212431290611]
偏微分方程式 (SPDE) は、大気科学や物理学を含む多くの分野において、力学をモデル化するための重要なツールである。
本研究では,SPDEによって駆動されるダイナミクスをモデル化するための特徴ベクトルを組み込んだニューラル演算子(NORS)を提案する。
動的Phi41モデルと2d Navier-Stokes方程式を含む様々なSPDE実験を行った。
論文 参考訳（メタデータ） (2022-04-13T08:53:41Z) - 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) - Physics-Integrated Variational Autoencoders for Robust and Interpretable
Generative Modeling [86.9726984929758]
我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。
本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。
合成および実世界のデータセットの集合に対して生成的性能改善を示す。
論文 参考訳（メタデータ） (2021-02-25T20:28:52Z) - QuTiP-BoFiN: A bosonic and fermionic numerical
hierarchical-equations-of-motion library with applications in
light-harvesting, quantum control, and single-molecule electronics [51.15339237964982]
階層運動方程式 (HEOM) は力学を解くための強力な正確な数値的手法である。
固体物理学、光学、単分子電子工学、生物物理学の問題に拡張され応用されている。
ボソニック環境とフェルミオン環境の両方にHEOMを実装した強力なQuTiPプラットフォームと統合したPythonの数値ライブラリを提案する。
論文 参考訳（メタデータ） (2020-10-21T07:54:56Z) - Unsupervised Learning of Lagrangian Dynamics from Images for Prediction
and Control [12.691047660244335]
画像からラグランジアン力学を学習する新しい教師なしニューラルネットワークモデルを導入する。
このモデルは、座標対応変分オートエンコーダで同時に学習される一般化座標上でラグランジアン力学を推論する。
論文 参考訳（メタデータ） (2020-07-03T20:06:43Z) - Dissipative SymODEN: Encoding Hamiltonian Dynamics with Dissipation and
Control into Deep Learning [9.811643357656196]
本研究では,観測された状態軌跡から散逸した物理系の力学を推論できるディープラーニングアーキテクチャである Dissipative SymODEN を紹介する。
Dissipative SymODENは、エネルギー散逸と外部入力をグラフの設計にエンコードし、構造化された方法でダイナミクスを学習する。
論文 参考訳（メタデータ） (2020-02-20T16:44:10Z) - Symplectic ODE-Net: Learning Hamiltonian Dynamics with Control [14.24939133094439]
物理系の力学を推論できるディープラーニングフレームワークであるSymlectic ODE-Net(SymODEN)を紹介する。
特に、ハミルトン力学を制御して、基礎となる力学を透過的に学習する。
このフレームワークは、物理的システムに対して解釈可能で物理的に一貫性のあるモデルを提供することで、モデルベースの制御戦略を合成する新たな可能性を開く。
論文 参考訳（メタデータ） (2019-09-26T13:13:16Z)
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。