論文の概要: Data-driven ODE modeling of the high-frequency complex dynamics via a low-frequency dynamics model

• arxiv url: http://arxiv.org/abs/2409.00668v2
• Date: Sun, 10 Nov 2024 04:58:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:05:00.009030
• Title: Data-driven ODE modeling of the high-frequency complex dynamics via a low-frequency dynamics model
• Title（参考訳）: 低周波力学モデルによる高周波複素力学のデータ駆動ODEモデリング
• Authors: Natsuki Tsutsumi, Kengo Nakai, Yoshitaka Saiki,
• Abstract要約: 本稿では,流体流の高周波断続挙動を含む流体力学をモデリングする新しい手法を提案する。 1つは基本変数の自律システムであり、もう1つは目的変数が項に影響を受けていることに関するものである。 構成されたジョイントモデルは、短い軌跡だけでなく、長い軌跡から得られたカオス集合と統計的性質の再構築にも成功している。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: In our previous paper [N. Tsutsumi, K. Nakai and Y. Saiki, Chaos 32, 091101 (2022)], we proposed a method for constructing a system of differential equations of chaotic behavior from only observable deterministic time series, which we call the radial function-based regression (RfR) method. However, when the targeted variable's behavior is rather complex, the direct application of the RfR method does not function well. In this study, we propose a novel method of modeling such dynamics, including the high-frequency intermittent behavior of a fluid flow, by considering another variable (base variable) showing relatively simple, less intermittent behavior. We construct an autonomous joint model composed of two parts: the first is an autonomous system of a base variable, and the other concerns the targeted variable being affected by a term involving the base variable to demonstrate complex dynamics. The constructed joint model succeeded in not only inferring a short trajectory but also reconstructing chaotic sets and statistical properties obtained from a long trajectory such as the density distributions of the actual dynamics.
• Abstract（参考訳）: これまでの論文 (N. Tsutsumi, K. Nakai, Y. Saiki, Chaos 32, 091101 (2022)] では, 観測可能な決定時間系列のみからカオス挙動の微分方程式系を構築する方法を提案し, 放射関数に基づく回帰法 (RfR) と呼ぶ。 しかし、ターゲット変数の振舞いがかなり複雑である場合、RfR法の直接適用はうまく機能しない。 本研究では, 流体流の高周波断続挙動を含む流体力学を, 比較的単純で断続挙動の少ない別の変数(基底変数)を考慮し, モデリングする手法を提案する。 1つは基本変数の自律システムであり、もう1つは、対象変数が複雑なダイナミクスを示すために基本変数を含む項によって影響を受けることに関するものである。 構成されたジョイントモデルは、短い軌道だけでなく、カオス集合と実際の力学の密度分布のような長い軌道から得られる統計的性質を再構成することに成功した。

関連論文リスト

• Learning Controlled Stochastic Differential Equations [61.82896036131116]
  本研究では,非一様拡散を伴う連続多次元非線形微分方程式のドリフト係数と拡散係数の両方を推定する新しい手法を提案する。 我々は、(L2)、(Linfty)の有限サンプル境界や、係数の正則性に適応する学習率を持つリスクメトリクスを含む、強力な理論的保証を提供する。 当社のメソッドはオープンソースPythonライブラリとして利用可能です。
  論文  参考訳（メタデータ） (2024-11-04T11:09:58Z)
• Deep Generative Modeling for Identification of Noisy, Non-Stationary Dynamical Systems [3.1484174280822845]
  非線形・雑音・非自律力学系に対する擬似常微分方程式(ODE)モデルを求めることに集中する。 提案手法は,SINDyとSINDy(非線形力学のスパース同定)を結合し,スパースODEの時間変化係数をモデル化する。
  論文  参考訳（メタデータ） (2024-10-02T23:00:00Z)
• 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)
• On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
  拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。 本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
  論文  参考訳（メタデータ） (2024-05-18T15:59:41Z)
• Accurate Data-Driven Surrogates of Dynamical Systems for Forward Propagation of Uncertainty [0.0]
  collocation (SC) は、不確実性のための代理モデルを構築するための非侵入的な方法である。 この研究は、解ではなくモデルの力学にSC近似を適用する別のアプローチを示す。 SC-over-dynamics フレームワークは,システム軌道とモデル状態分布の両面において,誤差が小さくなることを示した。
  論文  参考訳（メタデータ） (2023-10-16T21:07:54Z)
• Reservoir Computing with Error Correction: Long-term Behaviors of Stochastic Dynamical Systems [5.815325960286111]
  本稿では,Reservoir Computingと正規化フローを組み合わせたデータ駆動型フレームワークを提案する。 提案手法の有効性をVan der Pal, El Nino-Southern Oscillation Simple model, Lorenz system などいくつかの実験で検証した。
  論文  参考訳（メタデータ） (2023-05-01T05:50:17Z)
• 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)
• Data-driven Control of Agent-based Models: an Equation/Variable-free Machine Learning Approach [0.0]
  複雑/マルチスケールシステムの集合力学を制御するための方程式/変数自由機械学習(EVFML)フレームワークを提案する。 提案手法は3段階からなる: (A) 高次元エージェントベースシミュレーション、機械学習(特に非線形多様体学習(DM)) 創発力学の数値分岐解析を行うために方程式のない手法を用いる。 我々は,エージェントをベースとしたシミュレータを本質的で不正確に知られ,創発的なオープンループ定常状態に駆動する,データ駆動型組込み洗浄制御器を設計する。
  論文  参考訳（メタデータ） (2022-07-12T18:16:22Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)
• Euclideanizing Flows: Diffeomorphic Reduction for Learning Stable Dynamical Systems [74.80320120264459]
  本研究では、限られた数の人間の実演からそのような動きを学ぶためのアプローチを提案する。 複素運動は安定な力学系のロールアウトとして符号化される。 このアプローチの有効性は、確立されたベンチマーク上での検証と、現実世界のロボットシステム上で収集されたデモによって実証される。
  論文  参考訳（メタデータ） (2020-05-27T03:51:57Z)

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。