論文の概要: Unit-Aware Genetic Programming for the Development of Empirical Equations
- arxiv url: http://arxiv.org/abs/2405.18896v1
- Date: Wed, 29 May 2024 08:57:00 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-30 17:59:30.296163
- Title: Unit-Aware Genetic Programming for the Development of Empirical Equations
- Title（参考訳）: 経験的方程式開発のための単位認識型遺伝的プログラミング
- Authors: Julia Reuter, Viktor Martinek, Roland Herzog, Sanaz Mostaghim,
- Abstract要約: 本稿では,未知単位を「ジョーカー」として伝播する次元解析手法を提案する。
基礎的真理を持つデータセットの実験は、エボリューティブ・カリングの同等の性能を示し、次元解析なしでベースラインへの多目的アプローチを示す。
- 参考スコア（独自算出の注目度）: 1.4317067660261857
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: When developing empirical equations, domain experts require these to be accurate and adhere to physical laws. Often, constants with unknown units need to be discovered alongside the equations. Traditional unit-aware genetic programming (GP) approaches cannot be used when unknown constants with undetermined units are included. This paper presents a method for dimensional analysis that propagates unknown units as ''jokers'' and returns the magnitude of unit violations. We propose three methods, namely evolutive culling, a repair mechanism, and a multi-objective approach, to integrate the dimensional analysis in the GP algorithm. Experiments on datasets with ground truth demonstrate comparable performance of evolutive culling and the multi-objective approach to a baseline without dimensional analysis. Extensive analysis of the results on datasets without ground truth reveals that the unit-aware algorithms make only low sacrifices in accuracy, while producing unit-adherent solutions. Overall, we presented a promising novel approach for developing unit-adherent empirical equations.
- Abstract（参考訳）: 経験方程式を開発する際には、ドメインの専門家はこれらを正確で物理的法則に従うように要求する。
しばしば、未知の単位を持つ定数は方程式とともに発見される。
従来の単位認識型遺伝的プログラミング(GP)アプローチは、未決定単位の未知定数を含む場合には使用できない。
本稿では,未知の単位を「ジョーカー」として伝播させ,単位違反の大きさを返却する次元解析手法を提案する。
本稿では,GPアルゴリズムの次元解析を統合するために,エボリューティブカリング,修復機構,多目的アプローチという3つの手法を提案する。
基礎的真理を持つデータセットの実験は、エボリューティブ・カリングの同等の性能を示し、次元解析なしでベースラインへの多目的アプローチを示す。
根拠のないデータセットの大規模な分析により、単位認識アルゴリズムは、単位依存の解を生成する一方で、精度の低い犠牲しか生じないことが明らかとなった。
全体として、単元型経験方程式を開発するための有望な新しいアプローチを提示した。
関連論文リスト
- Learning Invariant Molecular Representation in Latent Discrete Space [52.13724532622099]
本稿では,分散シフトに対する不変性とロバスト性を示す分子表現を学習するための新しい枠組みを提案する。
我々のモデルは、様々な分布シフトが存在する場合に、最先端のベースラインに対してより強力な一般化を実現する。
論文 参考訳（メタデータ） (2023-10-22T04:06:44Z) - 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) - An analysis of Universal Differential Equations for data-driven
discovery of Ordinary Differential Equations [7.48176340790825]
我々は、普通微分方程式(ODE)発見の文脈で、UDEフレームワークをテストすることで貢献する。
データ駆動型アプローチと数値解法を組み合わせる際の問題をいくつか取り上げる。
我々は,物理インフォームド・機械学習フレームワークの能力と限界を調査する上で,我々の分析は重要な貢献であると考えている。
論文 参考訳（メタデータ） (2023-06-17T12:26:50Z) - Physics-informed Information Field Theory for Modeling Physical Systems with Uncertainty Quantification [0.0]
情報場理論(IFT)は、必ずしもガウス的ではない分野の統計を行うために必要なツールを提供する。
IFT を物理インフォームド IFT (PIFT) に拡張し,フィールドを記述する物理法則に関する情報を符号化する。
このPIFTから派生した後部は任意の数値スキームとは独立であり、複数のモードをキャプチャすることができる。
本手法は,物理が信頼できないことを正確に認識し,その場合,フィールドの学習を回帰問題として自動的に処理する。
論文 参考訳（メタデータ） (2023-01-18T15:40:19Z) - Deep learning applied to computational mechanics: A comprehensive
review, state of the art, and the classics [77.34726150561087]
人工知能,特に深層学習(DL)の最近の進歩を概観する。
ハイブリッドおよび純粋機械学習(ML)の手法について論じる。
AIの歴史と限界は、特に古典の誤解や誤解を指摘し、議論され、議論される。
論文 参考訳（メタデータ） (2022-12-18T02:03:00Z) - AutoIP: A United Framework to Integrate Physics into Gaussian Processes [15.108333340471034]
あらゆる微分方程式をガウス過程に統合できる枠組みを提案する。
本手法は,シミュレーションと実世界の応用の両方において,バニラGPの改善を示す。
論文 参考訳（メタデータ） (2022-02-24T19:02:14Z) - Learning Runge-Kutta Integration Schemes for ODE Simulation and
Identification [35.877707234293624]
統合関連コスト関数を最小化する統合スキームを学ぶための新しいフレームワークを提案する。
非線形方程式に対する学習に基づくアプローチの妥当性を実証する。
論文 参考訳（メタデータ） (2021-05-11T13:02:20Z) - Nonlinear Independent Component Analysis for Continuous-Time Signals [85.59763606620938]
このプロセスの混合物の観察から多次元音源過程を復元する古典的問題を考察する。
このリカバリは、この混合物が十分に微分可能で可逆な関数によって与えられる場合、多くの一般的なプロセスのモデル(座標の順序と単調スケーリングまで)に対して可能であることを示す。
論文 参考訳（メタデータ） (2021-02-04T20:28:44Z) - Generalized Matrix Factorization: efficient algorithms for fitting
generalized linear latent variable models to large data arrays [62.997667081978825]
一般化線形潜在変数モデル(GLLVM)は、そのような因子モデルを非ガウス応答に一般化する。
GLLVMのモデルパラメータを推定する現在のアルゴリズムは、集約的な計算を必要とし、大規模なデータセットにスケールしない。
本稿では,GLLVMを高次元データセットに適用するための新しい手法を提案する。
論文 参考訳（メタデータ） (2020-10-06T04:28:19Z) - Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。
テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$varepsilon*$に集中する傾向にある。
以上の結果から,統計的学習理論における通常の解析手法は,実際に観測された優れた一般化性能を捉えるのに十分な粒度にはならない可能性が示唆された。
論文 参考訳（メタデータ） (2020-06-22T21:12:31Z) - Fitness Landscape Analysis of Dimensionally-Aware Genetic Programming
Featuring Feynman Equations [8.477138002183713]
我々は、リチャード・ファインマンの有名な講義の方程式のサブセットに基づいて、次元認識型遺伝的プログラミング探索空間のフィットネスランドスケープ解析を行う。
実験の結果,変数次元に関する付加情報は探索アルゴリズムを効率的に導くことができることがわかった。
論文 参考訳（メタデータ） (2020-04-27T13:05:28Z)
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。