論文の概要: Inferring the Langevin Equation with Uncertainty via Bayesian Neural
Networks
- arxiv url: http://arxiv.org/abs/2402.01338v1
- Date: Fri, 2 Feb 2024 11:47:56 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-05 15:37:40.907898
- Title: Inferring the Langevin Equation with Uncertainty via Bayesian Neural
Networks
- Title(参考訳): ベイジアンニューラルネットワークによるランゲヴィン方程式の不確かさの推定
- Authors: Youngkyoung Bae, Seungwoong Ha, Hawoong Jeong
- Abstract要約: 本稿では、ベイズニューラルネットワークを用いてランゲヴィン方程式を過度に損傷された状態と過度に損傷された状態の両方で推定する包括的枠組みを提案する。
一つの値ではなく予測の分布を提供することで,予測の不確実性を評価することができる。
ニューロンモデルや顕微鏡エンジンを含む様々なシナリオに対してランゲヴィン方程式を推定する際のフレームワークの有効性を実証する。
- 参考スコア(独自算出の注目度): 4.604003661048267
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Pervasive across diverse domains, stochastic systems exhibit fluctuations in
processes ranging from molecular dynamics to climate phenomena. The Langevin
equation has served as a common mathematical model for studying such systems,
enabling predictions of their temporal evolution and analyses of thermodynamic
quantities, including absorbed heat, work done on the system, and entropy
production. However, inferring the Langevin equation from observed trajectories
remains challenging, particularly for nonlinear and high-dimensional systems.
In this study, we present a comprehensive framework that employs Bayesian
neural networks for inferring Langevin equations in both overdamped and
underdamped regimes. Our framework first provides the drift force and diffusion
matrix separately and then combines them to construct the Langevin equation. By
providing a distribution of predictions instead of a single value, our approach
allows us to assess prediction uncertainties, which can prevent potential
misunderstandings and erroneous decisions about the system. We demonstrate the
effectiveness of our framework in inferring Langevin equations for various
scenarios including a neuron model and microscopic engine, highlighting its
versatility and potential impact.
- Abstract(参考訳): 様々な領域に広がる確率系は、分子動力学から気候現象まで、プロセスの変動を示す。
ランゲヴィン方程式はそのような系を研究するための一般的な数学的モデルとして機能し、その時間的進化の予測と吸収熱、システムの研究、エントロピー生成を含む熱力学量の分析を可能にした。
しかし、観測軌道からランゲヴィン方程式を推定することは、特に非線形系や高次元系では困難である。
本研究では,過減衰状態と過減衰状態の両方におけるランジュバン方程式を推定するためにベイズニューラルネットワークを用いた包括的枠組みを提案する。
我々のフレームワークはまずドリフト力と拡散行列を別々に提供し、それらを結合してランジュバン方程式を構築する。
単一の値ではなく予測の分布を提供することで、予測の不確実性を評価し、システムの潜在的な誤解や誤った判断を防ぐことができる。
ニューロンモデルや微視的エンジンを含む様々なシナリオにおいてランジュバン方程式を推定する枠組みの有効性を実証し,その汎用性と潜在的影響を強調する。
関連論文リスト
- Causal Modeling with Stationary Diffusions [58.4405484308163]
定常密度が干渉下でのシステムの挙動をモデル化する微分方程式を学習する。
古典的アプローチよりもよく、変数に対する見当たらない介入を一般化することを示します。
提案手法は,再生カーネルヒルベルト空間における拡散発生器の定常状態を表す新しい理論結果に基づく。
論文 参考訳(メタデータ) (2023-10-26T14:01:17Z) - Machine learning of hidden variables in multiscale fluid simulation [77.34726150561087]
流体力学方程式を解くには、しばしばミクロ物理学の欠如を考慮に入れた閉包関係を用いる必要がある。
本研究では, 終端微分可能な偏微分方程式シミュレータを用いて, 偏微分ニューラルネットワークを訓練する。
本手法により, 非線形, 大型クヌーズン数プラズマ物理を再現する方程式に基づく手法が可能であることを示す。
論文 参考訳(メタデータ) (2023-06-19T06:02:53Z) - Slow semiclassical dynamics of a two-dimensional Hubbard model in
disorder-free potentials [77.34726150561087]
調和およびスピン依存線形ポテンシャルの導入は、fTWAを長期間にわたって十分に検証することを示した。
特に、有限2次元系に着目し、中間線形ポテンシャル強度において、高調波ポテンシャルの追加と傾きのスピン依存が、亜拡散力学をもたらすことを示す。
論文 参考訳(メタデータ) (2022-10-03T16:51:25Z) - EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。
メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文 参考訳(メタデータ) (2022-02-21T18:59:03Z) - Convex Analysis of the Mean Field Langevin Dynamics [49.66486092259375]
平均場ランゲヴィン力学の収束速度解析について述べる。
ダイナミックスに付随する$p_q$により、凸最適化において古典的な結果と平行な収束理論を開発できる。
論文 参考訳(メタデータ) (2022-01-25T17:13:56Z) - Neural Ordinary Differential Equations for Data-Driven Reduced Order
Modeling of Environmental Hydrodynamics [4.547988283172179]
流体シミュレーションにおける神経常微分方程式の利用について検討する。
テスト問題としては,シリンダー周辺の非圧縮性流れや河川・河口系における浅水流体力学の現実的応用などが挙げられる。
本研究では,ニューラル ODE が潜在空間力学の安定かつ正確な進化のためのエレガントな枠組みを提供することを示唆する。
論文 参考訳(メタデータ) (2021-04-22T19:20:47Z) - Learning non-stationary Langevin dynamics from stochastic observations
of latent trajectories [0.0]
データからランゲヴィン方程式を推定すると、そのような系の過渡的力学がそれらの函数をいかに引き起こすかが明らかになる。
本稿では,観測過程と非定常潜時力学を明示的にモデル化したランジュバン方程式を推定する非定常枠組みを提案する。
これらの非定常コンポーネントのいずれかを省略すると、不定常データ分布によるダイナミクスに誤った特徴が生じる誤った推論が発生します。
論文 参考訳(メタデータ) (2020-12-29T21:22:21Z) - Nonseparable Symplectic Neural Networks [23.77058934710737]
我々は、新しいニューラルネットワークアーキテクチャ、非分離型シンプレクティックニューラルネットワーク(NSSNN)を提案する。
NSSNNは、限られた観測データから非分離ハミルトン系のシンプレクティック構造を発見し、埋め込む。
大規模ハミルトニアン系に対する長期的、正確で、堅牢な予測を得るためのアプローチの独特な計算上の利点を示す。
論文 参考訳(メタデータ) (2020-10-23T19:50:13Z) - 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) - Probabilistic solution of chaotic dynamical system inverse problems
using Bayesian Artificial Neural Networks [0.0]
カオスシステムの逆問題は数値的に困難である。
モデルパラメータの小さな摂動は、推定された前方軌道において非常に大きな変化を引き起こす可能性がある。
ビザレニューラルネットワークは、モデルに同時に適合し、モデルのパラメータの不確実性を推定するために使用することができる。
論文 参考訳(メタデータ) (2020-05-26T20:35:02Z) - The entanglement membrane in chaotic many-body systems [0.0]
ある種の解析的抽出可能な量子カオスシステムでは、時間外相関関数の計算、クエンチ後の絡み合いエントロピー、その他の関連する動的可観測物は、時空における絡み合い膜の効果的な理論に還元される。
ここでは、ランダムなユニタリ平均を含まない、より現実的なモデルでこの膜を理解する方法を示す。
論文 参考訳(メタデータ) (2019-12-27T19:01:13Z)
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。