論文の概要: Forecasting Fold Bifurcations through Physics-Informed Convolutional
Neural Networks
- arxiv url: http://arxiv.org/abs/2312.14210v1
- Date: Thu, 21 Dec 2023 10:07:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-25 17:26:10.130336
- Title: Forecasting Fold Bifurcations through Physics-Informed Convolutional
Neural Networks
- Title(参考訳): 物理インフォームド畳み込みニューラルネットワークによるフォルド分岐予測
- Authors: Giuseppe Habib and \'Ad\'am Horv\'ath
- Abstract要約: 本研究では,2次分岐近傍の力学系の時系列を同定する物理インフォームド畳み込みニューラルネットワーク(CNN)を提案する。
CNNは比較的少量のデータと単一の非常に単純なシステムで訓練されている。
同様のタスクは、物理学に基づく情報を利用して得られる、かなりの外挿能力を必要とする。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: This study proposes a physics-informed convolutional neural network (CNN) for
identifying dynamical systems' time series near a fold bifurcation. The
peculiarity of this work is that the CNN is trained with a relatively small
amount of data and on a single, very simple system. In contrast, the CNN is
validated on much more complicated systems. A similar task requires significant
extrapolation capabilities, which are obtained by exploiting physics-based
information. Physics-based information is provided through a specific
pre-processing of the input data, consisting mostly of a transformation into
polar coordinates, normalization, transformation into the logarithmic scale,
and filtering through a moving mean. The results illustrate that such data
pre-processing enables the CNN to grasp the important features related to
approaching a fold bifurcation, namely, the trend of the oscillation amplitude,
and neglect other characteristics that are not particularly relevant, such as
the vibration frequency. The developed CNN was able to correctly classify
trajectories near a fold for a mass-on-moving-belt system, a van der
Pol-Duffing oscillator with an attached tuned mass damper, and a
pitch-and-plunge wing profile. The results obtained pave the way for the
development of similar CNNs effective in real-life applications.
- Abstract(参考訳): 本研究では,2次分岐近傍の力学系の時系列を同定する物理インフォームド畳み込みニューラルネットワーク(CNN)を提案する。
この研究の特徴は、CNNが比較的少量のデータと単一の非常に単純なシステムで訓練されていることである。
対照的に、CNNはより複雑なシステムで検証されている。
同様のタスクには、物理学に基づく情報を利用して得られる重要な外挿機能が必要である。
物理ベースの情報は入力データの特定の前処理によって提供され、主に極座標への変換、正規化、対数スケールへの変換、移動平均によるフィルタリングからなる。
これらのデータ前処理により,cnnは折り畳み分岐に接近する重要な特徴,すなわち振動振幅の傾向を把握でき,振動周波数などの他の特性を無視できることを示した。
開発したcnnは,マスオン移動ベルトシステム,ファンデルpolダフリング発振器,ピッチ・アンド・プルングウィングプロファイルにおいて,折りたたみ近傍の軌道を正しく分類することができた。
その結果、実際の応用に有効な類似CNNの開発に道を開いた。
関連論文リスト
- Heterogeneous quantization regularizes spiking neural network activity [0.0]
本稿では、アナログデータを正規化し、スパイク位相表現に量子化する、データブラインドニューロモルフィック信号条件付け戦略を提案する。
我々は、量子化重みの範囲と密度が蓄積された入力統計に適応するデータ認識キャリブレーションステップを追加することで、このメカニズムを拡張した。
論文 参考訳(メタデータ) (2024-09-27T02:25:44Z) - Learning noise-induced transitions by multi-scaling reservoir computing [2.9170682727903863]
我々は、雑音による遷移を学習するために、リカレントニューラルネットワークの一種として貯水池コンピューティングという機械学習モデルを開発する。
トレーニングされたモデルは、遷移時間と遷移回数の正確な統計を生成する。
また、二重井戸ポテンシャルの非対称性、非詳細バランスによる回転力学、多安定系の遷移も認識している。
論文 参考訳(メタデータ) (2023-09-11T12:26:36Z) - 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) - Learning Flow Functions from Data with Applications to Nonlinear
Oscillators [0.0]
フロー関数の学習は離散時間力学系の入力状態マップの学習と等価であることを示す。
これにより、RNNをエンコーダとデコーダネットワークと共に使用し、システムの状態をRNNとバックの隠された状態にマッピングする。
論文 参考訳(メタデータ) (2023-03-29T13:04:04Z) - Neuronal architecture extracts statistical temporal patterns [1.9662978733004601]
情報表現や処理に高次時間的(コ-)ゆらぎをいかに利用できるかを示す。
単純な生物学的にインスパイアされたフィードフォワードニューロンモデルでは、時系列分類を行うために3階までの累積から情報を抽出することができる。
論文 参考訳(メタデータ) (2023-01-24T18:21:33Z) - 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) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳(メタデータ) (2022-02-01T17:11:13Z) - 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) - Adaptive Machine Learning for Time-Varying Systems: Low Dimensional
Latent Space Tuning [91.3755431537592]
本稿では,時間変化システムを対象とした適応機械学習手法を提案する。
我々は,エンコーダデコーダCNNのエンコーダ部出力において,非常に高次元(N>100k)の入力を低次元(N2)潜在空間にマッピングする。
そこで本手法では,割り込みを伴わないフィードバックに基づいて,内部の相関関係を学習し,その進化をリアルタイムで追跡する。
論文 参考訳(メタデータ) (2021-07-13T16:05:28Z) - Adaptive Latent Space Tuning for Non-Stationary Distributions [62.997667081978825]
本稿では,ディープエンコーダ・デコーダ方式cnnの低次元潜在空間の適応チューニング法を提案する。
粒子加速器における時間変動荷電粒子ビームの特性を予測するためのアプローチを実証する。
論文 参考訳(メタデータ) (2021-05-08T03:50:45Z)
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。