論文の概要: SINDy vs Hard Nonlinearities and Hidden Dynamics: a Benchmarking Study
- arxiv url: http://arxiv.org/abs/2403.00578v1
- Date: Fri, 1 Mar 2024 14:58:36 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-05 17:07:31.892488
- Title: SINDy vs Hard Nonlinearities and Hidden Dynamics: a Benchmarking Study
- Title(参考訳): SINDy vs Hard linearities and Hidden Dynamics: ベンチマークによる検討
- Authors: Aurelio Raffa Ugolini and Valentina Breschi and Andrea Manzoni and
Mara Tanelli
- Abstract要約: 非線形同定のための3つのベンチマークデータセットに対するSparse Identification of Dynamics法の有効性を解析した。
SINDyは、物理学に基づく学習を追求する上で魅力的な戦略であるが、我々の分析は、観測されていない状態や非滑らかなダイナミクスを扱う上での難しさを強調している。
- 参考スコア(独自算出の注目度): 4.184625196234273
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this work we analyze the effectiveness of the Sparse Identification of
Nonlinear Dynamics (SINDy) technique on three benchmark datasets for nonlinear
identification, to provide a better understanding of its suitability when
tackling real dynamical systems. While SINDy can be an appealing strategy for
pursuing physics-based learning, our analysis highlights difficulties in
dealing with unobserved states and non-smooth dynamics. Due to the ubiquity of
these features in real systems in general, and control applications in
particular, we complement our analysis with hands-on approaches to tackle these
issues in order to exploit SINDy also in these challenging contexts.
- Abstract(参考訳): 本研究では,非線形同定のための3つのベンチマークデータセットにおけるsparse identification of nonlinear dynamics (sindy) 手法の有効性を分析し,実力学系に取り組む際の適合性をよりよく理解する。
SINDyは、物理学に基づく学習を追求する上で魅力的な戦略であるが、我々の分析は、観測されていない状態や非滑らかなダイナミクスを扱う際の難しさを強調している。
実システムにおけるこれらの特徴の多様さ,特に制御アプリケーションにより,これらの問題に対処するための手持ちのアプローチで解析を補完し,SINDyをこれらの困難な状況でも活用する。
関連論文リスト
- A Physics-informed Machine Learning-based Control Method for Nonlinear
Dynamic Systems with Highly Noisy Measurements [9.17424652549076]
本研究では, 非線形力学系に対する物理インフォームド機械学習に基づく制御手法を提案する。
提案手法は, モデル精度と制御性能の両面から, 最先端のベンチマークよりも優れていた。
論文 参考訳(メタデータ) (2023-11-12T00:11:52Z) - 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) - On Robust Numerical Solver for ODE via Self-Attention Mechanism [82.95493796476767]
我々は,内在性雑音障害を緩和し,AIによって強化された数値解法を,データサイズを小さくする訓練について検討する。
まず,教師付き学習における雑音を制御するための自己認識機構の能力を解析し,さらに微分方程式の数値解に付加的な自己認識機構を導入し,簡便かつ有効な数値解法であるAttrを提案する。
論文 参考訳(メタデータ) (2023-02-05T01:39:21Z) - Sparsity in Continuous-Depth Neural Networks [2.969794498016257]
重みと特徴空間が予測および基礎となる動的法則の同定に与える影響について検討する。
ヒトのモーションキャプチャーとヒト造血幹細胞RNA-seqデータからなる実世界のデータセットをキュレートする。
論文 参考訳(メタデータ) (2022-10-26T12:48:12Z) - 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) - Constructing Neural Network-Based Models for Simulating Dynamical
Systems [59.0861954179401]
データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。
本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。
基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
論文 参考訳(メタデータ) (2021-11-02T10:51:42Z) - DySMHO: Data-Driven Discovery of Governing Equations for Dynamical
Systems via Moving Horizon Optimization [77.34726150561087]
本稿では,スケーラブルな機械学習フレームワークである移動水平最適化(DySMHO)による動的システムの発見について紹介する。
DySMHOは、基底関数の大きな辞書から基礎となる支配方程式を逐次学習する。
標準非線形力学系の例は、DySMHOが規則を正確に回復できることを示すために用いられる。
論文 参考訳(メタデータ) (2021-07-30T20:35:03Z) - Physics-informed Spline Learning for Nonlinear Dynamics Discovery [8.546520029145853]
非線形ダイナミクスの準同次制御方程式を発見するための物理インフォメーションスプライン学習フレームワークを提案する。
このフレームワークは、わずかにサンプリングされたノイズデータに基づいている。
提案手法の有効性と優位性は,複数の非線形力学系によって実証されている。
論文 参考訳(メタデータ) (2021-05-05T23:32:43Z) - 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) - Hierarchical Decomposition of Nonlinear Dynamics and Control for System
Identification and Policy Distillation [39.83837705993256]
強化学習(RL)の最近のトレンドは、力学と政策の複雑な表現に焦点を当てている。
制御コミュニティからインスピレーションを得て、複雑なダイナミクスをより単純なコンポーネントに分解するために、ハイブリッドスイッチングシステムの原則を適用します。
論文 参考訳(メタデータ) (2020-05-04T12:40:59Z) - SINDy-PI: A Robust Algorithm for Parallel Implicit Sparse Identification
of Nonlinear Dynamics [4.996878640124385]
我々は、暗黙的ダイナミクスと有理非線形性を識別するSINDyアルゴリズムの頑健な変種を開発する。
提案手法は,従来の手法よりも数桁のノイズが強いことを示す。
論文 参考訳(メタデータ) (2020-04-05T21:35:53Z)
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。
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。