Fugu-MT 論文翻訳(概要): Closed-form Solutions: A New Perspective on Solving Differential Equations

論文の概要: Closed-form Solutions: A New Perspective on Solving Differential Equations

arxiv url: http://arxiv.org/abs/2405.14620v2
Date: Mon, 10 Feb 2025 15:01:34 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-11 14:24:51.328002
Title: Closed-form Solutions: A New Perspective on Solving Differential Equations
Title（参考訳）: 閉形式解:微分方程式の解法の新しい展望
Authors: Shu Wei, Yanjie Li, Lina Yu, Weijun Li, Min Wu, Linjun Sun, Jufeng Han, Yan Pang,
Abstract要約: 本稿では,様々な微分方程式に対する記号閉形式解の導出に強化学習を利用する,機械学習に基づく新しい解法SSDEを提案する。一般偏微分方程式および偏微分方程式に対する評価は、SSDEが他の機械学習手法と比較して解析的解の達成に優れた性能を提供することを示す。
参考スコア（独自算出の注目度）: 12.048106653998044
License:
Abstract: The pursuit of analytical solutions for differential equations has historically been limited by the need for extensive prior knowledge and mathematical prowess; however, machine learning methods like genetic algorithms have recently been applied to this end, albeit with issues of significant time consumption and complexity. This paper presents a novel machine learning-based solver, SSDE (Symbolic Solver for Differential Equations), which employs reinforcement learning to derive symbolic closed-form solutions for various differential equations. Our evaluations on a range of ordinary and partial differential equations demonstrate that SSDE provides superior performance in achieving analytical solutions compared to other machine learning approaches.
Abstract（参考訳）: 微分方程式の解析解の追求は、歴史的に、広範な事前知識と数学的技術の必要性によって制限されてきたが、近年、遺伝的アルゴリズムのような機械学習手法がこの目的に応用されている。本稿では,様々な微分方程式に対する記号閉形式解の導出に強化学習を利用する,機械学習に基づく新しい解法SSDEを提案する。一般偏微分方程式および偏微分方程式に対する評価は、SSDEが他の機械学習手法と比較して解析的解の達成に優れた性能を提供することを示す。

関連論文リスト

Neuro-Symbolic AI for Analytical Solutions of Differential Equations [11.177091143370466]
本稿では,ニューロシンボリックAIフレームワークを用いて微分方程式の解析解を求める。この積分は、ニューロシンボリックAIフレームワークを介して数値方程式と記号微分方程式を統一する。様々な問題に対して,商業的解法,記号的解法,近似ニューラルネットワークの利点を示す。
論文参考訳（メタデータ） (2025-02-03T16:06:56Z)
MultiSTOP: Solving Functional Equations with Reinforcement Learning [56.073581097785016]
物理学における関数方程式を解くための強化学習フレームワークであるMultiSTOPを開発した。この新しい手法は境界ではなく実際の数値解を生成する。
論文参考訳（メタデータ） (2024-04-23T10:51:31Z)
Towards true discovery of the differential equations [57.089645396998506]
微分方程式探索は、解釈可能なモデルを開発するために使用される機械学習サブフィールドである。本稿では,専門家の入力を伴わない独立方程式発見のための前提条件とツールについて検討する。
論文参考訳（メタデータ） (2023-08-09T12:03:12Z)
Genetic Programming Based Symbolic Regression for Analytical Solutions to Differential Equations [8.669375104787806]
本稿では,微分方程式の解析解の発見のための機械学習手法を提案する。数値近似とは対照的に,真の解析解を復元する能力を示す。
論文参考訳（メタデータ） (2023-02-07T00:23:07Z)
AttNS: Attention-Inspired Numerical Solving For Limited Data Scenarios [51.94807626839365]
限定データによる微分方程式の解法として,注目型数値解法(AttNS)を提案する。 AttNSは、モデル一般化とロバスト性の向上におけるResidual Neural Networks(ResNet)のアテンションモジュールの効果にインスパイアされている。
論文参考訳（メタデータ） (2023-02-05T01:39:21Z)
Symbolic Recovery of Differential Equations: The Identifiability Problem [52.158782751264205]
微分方程式の記号的回復は、支配方程式の導出を自動化する野心的な試みである。関数が対応する微分方程式を一意に決定するために必要な条件と十分な条件の両方を提供する。この結果を用いて、関数が微分方程式を一意に解くかどうかを判定する数値アルゴリズムを考案する。
論文参考訳（メタデータ） (2022-10-15T17:32:49Z)
Stochastic Scaling in Loss Functions for Physics-Informed Neural Networks [0.0]
訓練されたニューラルネットワークは普遍関数近似器として機能し、新しい方法で微分方程式を数値的に解くことができる。従来の損失関数とトレーニングパラメータのバリエーションは、ニューラルネットワーク支援ソリューションをより効率的にする上で有望であることを示している。
論文参考訳（メタデータ） (2022-08-07T17:12:39Z)
D-CIPHER: Discovery of Closed-form Partial Differential Equations [80.46395274587098]
D-CIPHERは人工物の測定に頑健であり、微分方程式の新しい、非常に一般的なクラスを発見できる。さらに,D-CIPHERを効率的に探索するための新しい最適化手法であるCoLLieを設計する。
論文参考訳（メタデータ） (2022-06-21T17:59:20Z)
Symbolically Solving Partial Differential Equations using Deep Learning [5.1964883240501605]
本稿では、微分方程式の正確な解や近似解を生成するニューラルネットワーク手法について述べる。他のニューラルネットワークとは異なり、我々のシステムは直接解釈できるシンボリック表現を返す。
論文参考訳（メタデータ） (2020-11-12T22:16:03Z)
A Neuro-Symbolic Method for Solving Differential and Functional Equations [6.899578710832262]
微分方程式を解くために記号式を生成する方法を提案する。既存の手法とは異なり、このシステムは記号数学よりも言語モデルを学習する必要はない。我々は,他の数学的課題に対するシンボリックな解を見つけるために,システムがいかに懸命に一般化されるかを示す。
論文参考訳（メタデータ） (2020-11-04T17:13:25Z)
Comparison of Distal Teacher Learning with Numerical and Analytical Methods to Solve Inverse Kinematics for Rigid-Body Mechanisms [67.80123919697971]
私たちは、逆キネマティクス(DT)に対する最初の機械学習(ML)ソリューションの1つとして、微分可能なプログラミングライブラリを組み合わせると、実際には十分よいと論じています。我々は,解答率,精度,サンプル効率,スケーラビリティを解析する。十分なトレーニングデータと緩和精度の要求により、DTはより優れた解法率を持ち、15-DoF機構のための最先端の数値解法よりも高速である。
論文参考訳（メタデータ） (2020-02-29T09:55:45Z)

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。