Fugu-MT 論文翻訳(概要): SINDy vs Hard Nonlinearities and Hidden Dynamics: a Benchmarking Study

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

Automated Global Analysis of Experimental Dynamics through Low-Dimensional Linear Embeddings [3.825457221275617]
非線形力学系に対する低次元線形モデルを導出するためのデータ駆動型計算フレームワークを提案する。このフレームワークは、基盤となるシステム構造をキャプチャする解釈可能な線形モデルを通じて、大域的な安定性解析を可能にする。本手法は, 物理, 気候科学, 工学などの分野にまたがる複雑な力学挙動を解析するための, 有望な経路を提供する。
論文参考訳（メタデータ） (2024-11-01T19:27:47Z)
On instabilities in neural network-based physics simulators [0.0]
ニューラルネットワークによって生じる長時間の力学は、しばしば非物理的または不安定である。トレーニング力学の収束速度は不均一であり, データのエネルギー分布に依存することを示す。トレーニング中にデータに合成ノイズを注入すると、トレーニングダイナミクスが減衰し、学習したシミュレータを安定させることができる。
論文参考訳（メタデータ） (2024-06-18T23:25:14Z)
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)
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)
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。