論文の概要: tLaSDI: Thermodynamics-informed latent space dynamics identification

• arxiv url: http://arxiv.org/abs/2403.05848v1
• Date: Sat, 9 Mar 2024 09:17:23 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-13 12:00:11.629961
• Title: tLaSDI: Thermodynamics-informed latent space dynamics identification
• Title（参考訳）: tLaSDI:熱力学インフォームド潜在空間力学の同定
• Authors: Jun Sur Richard Park, Siu Wun Cheung, Youngsoo Choi, and Yeonjong Shin
• Abstract要約: 熱力学の第一原理と第二原理を組み込んだデータ駆動潜在空間力学計算を提案する。 潜伏変数の力学は、熱力学則を尊重する特定の構造を保存するニューラルネットワークベースのモデルによって構成される。 さらに, 潜在空間におけるエントロピー生成速度とフルステート溶液の挙動との間には, 興味深い相関関係がみられた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a data-driven latent space dynamics identification method (tLaSDI) that embeds the first and second principles of thermodynamics. The latent variables are learned through an autoencoder as a nonlinear dimension reduction model. The dynamics of the latent variables are constructed by a neural network-based model that preserves certain structures to respect the thermodynamic laws through the GENERIC formalism. An abstract error estimate of the approximation is established, which provides a new loss formulation involving the Jacobian computation of autoencoder. Both the autoencoder and the latent dynamics are trained to minimize the new loss. Numerical examples are presented to demonstrate the performance of tLaSDI, which exhibits robust generalization ability, even in extrapolation. In addition, an intriguing correlation is empirically observed between the entropy production rates in the latent space and the behaviors of the full-state solution.
• Abstract（参考訳）: 熱力学の第一原理と第二原理を組み込んだデータ駆動潜在空間力学同定法(tLaSDI)を提案する。 潜在変数は非線形次元還元モデルとしてオートエンコーダを通して学習される。 潜在変数のダイナミクスは、ジェネリック形式を通じて熱力学的法則を尊重する特定の構造を保存するニューラルネットワークベースのモデルによって構成される。 オートエンコーダのヤコビアン計算を含む新たな損失定式化を提供する近似の抽象的誤差推定が確立される。 オートエンコーダと潜在ダイナミクスの両方が、新たな損失を最小限に抑えるように訓練されている。 数値的な例を示し,外挿においても堅牢な一般化能力を示すtLaSDIの性能を示す。 さらに, 潜在空間におけるエントロピー生成速度とフルステート溶液の挙動との間には, 興味深い相関関係がみられた。

関連論文リスト

• Parametric Taylor series based latent dynamics identification neural networks [0.3139093405260182]
  非線形力学の新しい潜在的同定法であるP-TLDINetを導入する。 これはテイラー級数展開とResNetsに基づく新しいニューラルネットワーク構造に依存している。
  論文  参考訳（メタデータ） (2024-10-05T15:10:32Z)
• Latent Space Energy-based Neural ODEs [73.01344439786524]
  本稿では,連続時間シーケンスデータを表現するために設計された深部力学モデルの新しいファミリを紹介する。 マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。 発振システム、ビデオ、実世界の状態シーケンス(MuJoCo)の実験は、学習可能なエネルギーベース以前のODEが既存のものより優れていることを示している。
  論文  参考訳（メタデータ） (2024-09-05T18:14:22Z)
• NeuralODEs for VLEO simulations: Introducing thermoNET for Thermosphere Modeling [4.868863044142366]
  サーモネットは、衛星軌道伝播における熱圏密度を表す。 ネットワークパラメータは観測されたダイナミクスに基づいて学習され、ODEの感度によって適応する。
  論文  参考訳（メタデータ） (2024-05-29T09:12:44Z)
• Thermodynamics-informed super-resolution of scarce temporal dynamics data [4.893345190925178]
  本稿では,物理系の測定値の分解能を高め,その時間進化を予測する手法を提案する。 本手法では, 逆自己エンコーダを用いて全順序モデルの次元性を, 先行値に適合するように強制される潜在変数の集合に還元する。 第2のニューラルネットワークは、潜伏変数の物理的構造を学び、その時間的進化を予測するために訓練される。
  論文  参考訳（メタデータ） (2024-02-27T13:46:45Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• Gibbs-Duhem-Informed Neural Networks for Binary Activity Coefficient Prediction [45.84205238554709]
  本稿では,Gibs-Duhem-informed Neural Network を用いて,様々な組成における二成分活性係数の予測を行う。 ニューラルネットワークの学習における損失関数にギブス・デュヘム方程式を明示的に含んでいる。
  論文  参考訳（メタデータ） (2023-05-31T07:36:45Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• ConCerNet: A Contrastive Learning Based Framework for Automated Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
  本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。 本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2023-02-11T21:07:30Z)
• Data-driven reduced order modeling of environmental hydrodynamics using deep autoencoders and neural ODEs [3.4527210650730393]
  減弱基底表現の発見にディープオートエンコーダを用いた場合について検討する。 テスト問題としては,シリンダーまわりの非圧縮性流れや,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。
  論文  参考訳（メタデータ） (2021-07-06T17:45:37Z)
• Gradient Starvation: A Learning Proclivity in Neural Networks [97.02382916372594]
  グラディエント・スターベーションは、タスクに関連する機能のサブセットのみをキャプチャすることで、クロスエントロピー損失を最小化するときに発生する。 この研究は、ニューラルネットワークにおけるそのような特徴不均衡の出現に関する理論的説明を提供する。
  論文  参考訳（メタデータ） (2020-11-18T18:52:08Z)
• Deep learning of thermodynamics-aware reduced-order models from data [0.08699280339422537]
  大規模離散化物理系の関連する潜伏変数を学習するアルゴリズムを提案する。 次に、熱力学的に一貫性のあるディープニューラルネットワークを用いて、その時間進化を予測する。
  論文  参考訳（メタデータ） (2020-07-03T08:49:01Z)

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。