論文の概要: NeuralODEs for VLEO simulations: Introducing thermoNET for Thermosphere Modeling
- arxiv url: http://arxiv.org/abs/2405.19384v1
- Date: Wed, 29 May 2024 09:12:44 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-31 19:35:56.984037
- Title: NeuralODEs for VLEO simulations: Introducing thermoNET for Thermosphere Modeling
- Title(参考訳): VLEOシミュレーションのためのニューラルネットワーク:熱圏モデリングのためのサーモネットの導入
- Authors: Dario Izzo, Giacomo Acciarini, Francesco Biscani,
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 4.868863044142366
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce a novel neural architecture termed thermoNET, designed to represent thermospheric density in satellite orbital propagation using a reduced amount of differentiable computations. Due to the appearance of a neural network on the right-hand side of the equations of motion, the resulting satellite dynamics is governed by a NeuralODE, a neural Ordinary Differential Equation, characterized by its fully differentiable nature, allowing the derivation of variational equations (hence of the state transition matrix) and facilitating its use in connection to advanced numerical techniques such as Taylor-based numerical propagation and differential algebraic techniques. Efficient training of the network parameters occurs through two distinct approaches. In the first approach, the network undergoes training independently of spacecraft dynamics, engaging in a pure regression task against ground truth models, including JB-08 and NRLMSISE-00. In the second paradigm, network parameters are learned based on observed dynamics, adapting through ODE sensitivities. In both cases, the outcome is a flexible, compact model of the thermosphere density greatly enhancing numerical propagation efficiency while maintaining accuracy in the orbital predictions.
- Abstract(参考訳): 本研究では,衛星軌道伝搬における熱圏密度を表現するために,微分可能な計算量を削減した新しいニューラルアーキテクチャ「サーモネット」を提案する。
運動方程式の右側にニューラルネットワークが現れるため、結果として生じる衛星力学はニューラルノード(NeuralODE)によって制御され、その完全に微分可能な性質によって特徴付けられる。
ネットワークパラメータの効率的なトレーニングは、2つの異なるアプローチによって行われる。
最初のアプローチでは、ネットワークは宇宙船の動力学とは独立して訓練を行い、JB-08やNRLMSISE-00といった地上の真理モデルに対して純粋な回帰処理を行う。
第2のパラダイムでは、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。
どちらの場合も、結果はフレキシブルでコンパクトな熱圏密度モデルであり、軌道予測の精度を維持しながら数値伝播効率を大幅に向上させる。
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) - Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。
我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。
本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
論文 参考訳(メタデータ) (2024-05-22T17:23:15Z) - 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) - Neural Operator with Regularity Structure for Modeling Dynamics Driven
by SPDEs [70.51212431290611]
偏微分方程式 (SPDE) は、大気科学や物理学を含む多くの分野において、力学をモデル化するための重要なツールである。
本研究では,SPDEによって駆動されるダイナミクスをモデル化するための特徴ベクトルを組み込んだニューラル演算子(NORS)を提案する。
動的Phi41モデルと2d Navier-Stokes方程式を含む様々なSPDE実験を行った。
論文 参考訳(メタデータ) (2022-04-13T08:53:41Z) - Climate Modeling with Neural Diffusion Equations [3.8521112392276]
ニューラル常微分方程式(NODE)と拡散方程式に基づく新しい気候モデルの設計を行う。
我々の手法は、既存のベースラインを非自明なマージンで一貫して上回る。
論文 参考訳(メタデータ) (2021-11-11T01:48:46Z) - Physics informed machine learning with Smoothed Particle Hydrodynamics:
Hierarchy of reduced Lagrangian models of turbulence [0.6542219246821327]
この原稿は乱流に対するパラメータ化還元ラグランジアンモデルの階層を構築している。
Smoothed Particle Hydrodynamics (SPH) を通した物理的構造を、普遍関数近似器としてニューラルネットワーク(NN)に依存することによる影響について検討する。
論文 参考訳(メタデータ) (2021-10-25T22:57:40Z) - An Ode to an ODE [78.97367880223254]
我々は、O(d) 群上の行列フローに応じて主フローの時間依存パラメータが進化する ODEtoODE と呼ばれるニューラルODE アルゴリズムの新しいパラダイムを提案する。
この2つの流れのネストされたシステムは、訓練の安定性と有効性を提供し、勾配の消滅・爆発問題を確実に解決する。
論文 参考訳(メタデータ) (2020-06-19T22:05:19Z) - Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。
暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。
これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文 参考訳(メタデータ) (2020-06-08T09:53:35Z) - Incorporating Symmetry into Deep Dynamics Models for Improved
Generalization [24.363954435050264]
本稿では,畳み込みニューラルネットワークに対称性を組み込むことにより,精度の向上と一般化を提案する。
我々のモデルは、対称性群変換による分布シフトに対して理論的かつ実験的に堅牢である。
画像やテキストアプリケーションと比較して、我々の研究は、高次元システムに同変ニューラルネットワークを適用するための重要なステップである。
論文 参考訳(メタデータ) (2020-02-08T01:28:17Z)
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。