論文の概要: Recovering the state and dynamics of autonomous system with partial states solution using neural networks

• arxiv url: http://arxiv.org/abs/2408.02050v2
• Date: Wed, 7 Aug 2024 05:15:53 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-08 12:15:09.211287
• Title: Recovering the state and dynamics of autonomous system with partial states solution using neural networks
• Title（参考訳）: ニューラルネットワークを用いた部分状態解による自律システムの状態とダイナミクスの復元
• Authors: Vijay Kag,
• Abstract要約: 我々は、状態がどのように進化するかを説明する状態のダイナミクスが我々にとって未知であると考えている。 ニューラルネットワークを用いて状態と力学を近似する。 すべての状態情報を知ることなく、状態情報が知られている特定の状態のダイナミクスを推定することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper we explore the performance of deep hidden physics model (M. Raissi 2018) for autonomous systems. These systems are described by set of ordinary differential equations which do not explicitly depend on time. Such systems can be found in nature and have applications in modeling chemical concentrations, population dynamics, n-body problems in physics etc. In this work we consider dynamics of states, which explain how the states will evolve are unknown to us. We approximate state and dynamics both using neural networks. We have considered examples of 2D linear/nonlinear and Lorenz systems. We observe that even without knowing all the states information, we can estimate dynamics of certain states whose state information are known.
• Abstract（参考訳）: 本稿では,自律システムにおける深部隠れ物理モデル(M. Raissi 2018)の性能について検討する。 これらの系は、時間に明示的に依存しない通常の微分方程式の集合によって記述される。 このような系は自然界で発見でき、化学濃度、人口動態、物理学におけるn体問題などのモデリングに応用できる。 この研究では、状態がどのように進化するかを説明する状態のダイナミクスについて考察する。 ニューラルネットワークを用いて状態と力学を近似する。 2次元線形・非線形・ローレンツ系の例を検討した。 すべての状態情報を知ることなく、状態情報が知られている特定の状態のダイナミクスを推定することができる。

関連論文リスト

• Physics-informed Discovery of State Variables in Second-Order and Hamiltonian Systems [1.7406327893433848]
  本研究では, 2階ハミルトニアン系の物理特性を利用してベースラインモデルを制約する手法を提案する。 提案モデルでは,非冗長かつ解釈可能な状態変数の最小セットを特定することにより,ベースラインモデルよりも優れる。
  論文  参考訳（メタデータ） (2024-08-21T15:10:50Z)
• Learning System Dynamics without Forgetting [60.08612207170659]
  未知の力学を持つ系の軌道予測は、物理学や生物学を含む様々な研究分野において重要である。 本稿では,モードスイッチンググラフODE (MS-GODE) の新たなフレームワークを提案する。 生体力学の異なる多様な系を特徴とする生体力学システムの新しいベンチマークを構築した。
  論文  参考訳（メタデータ） (2024-06-30T14:55:18Z)
• Learning Neural Constitutive Laws From Motion Observations for Generalizable PDE Dynamics [97.38308257547186]
  多くのNNアプローチは、支配的PDEと物質モデルの両方を暗黙的にモデル化するエンドツーエンドモデルを学ぶ。 PDEの管理はよく知られており、学習よりも明示的に実施されるべきである、と私たちは主張する。 そこで我々は,ネットワークアーキテクチャを利用したニューラル構成則(Neural Constitutive Laws,NCLaw)と呼ばれる新しいフレームワークを導入する。
  論文  参考訳（メタデータ） (2023-04-27T17:42:24Z)
• Discovering State Variables Hidden in Experimental Data [11.045105131750713]
  観測されたシステムの状態変数の数を決定するための新しい原理を提案する。 様々な物理力学系の映像記録を用いて,本手法の有効性を実証する。 このアプローチは、ますます複雑なシステムの理解、予測、制御を促進するのに役立つと提案する。
  論文  参考訳（メタデータ） (2021-12-20T18:56:59Z)
• SyReNets: Symbolic Residual Neural Networks [9.713727879151012]
  我々はSyReNetsを提案する。SyReNetsは、ニューラルネットワークを利用してシンボリックリレーションを学習し、データから動的物理システムを正確に記述する手法である。 入力としての位置,速度,加速度のランダムなサンプルのみを観測し,トルクを出力とする。 この手法は、シミュレーション制御された二重振り子を用いて評価され、ニューラルネットワーク、遺伝的プログラミング、従来のシステム識別と比較される。
  論文  参考訳（メタデータ） (2021-05-30T00:30:27Z)
• Conditional physics informed neural networks [85.48030573849712]
  固有値問題のクラス解を推定するための条件付きPINN(物理情報ニューラルネットワーク)を紹介します。 一つのディープニューラルネットワークが、問題全体に対する偏微分方程式の解を学習できることが示される。
  論文  参考訳（メタデータ） (2021-04-06T18:29:14Z)
• Neural ODE Processes [64.10282200111983]
  NDP(Neural ODE Process)は、Neural ODEの分布によって決定される新しいプロセスクラスである。 我々のモデルは,少数のデータポイントから低次元システムのダイナミクスを捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-03-23T09:32:06Z)
• Augmenting Neural Differential Equations to Model Unknown Dynamical Systems with Incomplete State Information [0.0]
  不完全な状態情報を与えると、特別に拡張されたニューラルODEがシステムを学ぶことができることを示す。 研究の例として、3種のウサギ、オオカミ、クマのLotka-Voltera問題に適用する。
  論文  参考訳（メタデータ） (2020-08-19T02:21:13Z)
• Neural Physicist: Learning Physical Dynamics from Image Sequences [0.6445605125467573]
  深層ニューラルネットワークを用いて画像シーケンスから直接物理力学を学習するニューラルフィジスト(NeurPhy)という新しいアーキテクチャを提案する。 我々のモデルは、物理的に意味のある状態表現を抽出するだけでなく、見えない画像列の長期予測を可能にする状態遷移ダイナミクスを学習する。
  論文  参考訳（メタデータ） (2020-06-09T04:36:51Z)
• 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)
• Learning Stable Deep Dynamics Models [91.90131512825504]
  状態空間全体にわたって安定することが保証される力学系を学習するためのアプローチを提案する。 このような学習システムは、単純な力学系をモデル化することができ、複雑な力学を学習するために追加の深層生成モデルと組み合わせることができることを示す。
  論文  参考訳（メタデータ） (2020-01-17T00:04:45Z)

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。

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。