Fugu-MT 論文翻訳(概要): Automated Discovery of Continuous Dynamics from Videos

論文の概要: Automated Discovery of Continuous Dynamics from Videos

arxiv url: http://arxiv.org/abs/2410.11894v1
Date: Mon, 14 Oct 2024 03:37:02 GMT
ステータス: 翻訳完了
システム内更新日: 2024-10-17 13:40:36.294877
Title: Automated Discovery of Continuous Dynamics from Videos
Title（参考訳）: ビデオからの連続的ダイナミクスの自動発見
Authors: Kuang Huang, Dong Heon Cho, Boyuan Chen,
Abstract要約: システム力学の滑らかさを保った状態変数の集合を探索する手法を提案する。物理知識のないビデオストリームから自動的に,システムの動的方程式を表すベクトル場を構築する。
参考スコア（独自算出の注目度）: 4.690264156292023
License:
Abstract: Dynamical systems form the foundation of scientific discovery, traditionally modeled with predefined state variables such as the angle and angular velocity, and differential equations such as the equation of motion for a single pendulum. We propose an approach to discover a set of state variables that preserve the smoothness of the system dynamics and to construct a vector field representing the system's dynamics equation, automatically from video streams without prior physical knowledge. The prominence and effectiveness of the proposed approach are demonstrated through both quantitative and qualitative analyses of various dynamical systems, including the prediction of characteristic frequencies and the identification of chaotic and limit cycle behaviors. This shows the potential of our approach to assist human scientists in scientific discovery.
Abstract（参考訳）: 力学系は科学的な発見の基礎を形成し、伝統的に角度や角速度などの事前定義された状態変数と、単一の振り子に対する運動方程式のような微分方程式でモデル化されている。本研究では,システム力学の滑らかさを保った状態変数の集合を発見し,物理知識のないビデオストリームから自動的に,システムの力学方程式を表すベクトル場を構築する手法を提案する。提案手法の優位性と有効性は,特性周波数の予測やカオス・極限サイクルの挙動の同定など,様々な力学系の定量的および定性的解析によって実証される。これは、人間の科学者による科学的発見を支援するアプローチの可能性を示しています。

関連論文リスト

Integrating Physics-Informed Deep Learning and Numerical Methods for Robust Dynamics Discovery and Parameter Estimation [0.0]
本研究では,動的システム理論における2つの課題を解決するために,ディープラーニング手法と微分方程式の古典的数値法を組み合わせる。その結果,カオス力学を示す一連のテスト問題に対する提案手法の有効性が示された。
論文参考訳（メタデータ） (2024-10-05T22:40:02Z)
Quantum Simulation of Nonlinear Dynamical Systems Using Repeated Measurement [42.896772730859645]
本稿では, 非線形常微分方程式の初期値問題を解くために, 繰り返し測定に基づく量子アルゴリズムを提案する。古典ロジスティック系とローレンツ系に、積分可能かつカオス的条件の両方でこのアプローチを適用する。
論文参考訳（メタデータ） (2024-10-04T18:06:12Z)
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)
AI-Lorenz: A physics-data-driven framework for black-box and gray-box identification of chaotic systems with symbolic regression [2.07180164747172]
複雑な動的挙動をモデル化した数学的表現を学習するフレームワークを開発する。私たちは、システムのダイナミクス、時間の変化率、モデル用語の欠如を学ぶために、小さなニューラルネットワークをトレーニングします。これにより、動的挙動の将来的な進化を予測することができる。
論文参考訳（メタデータ） (2023-12-21T18:58:41Z)
Newton-Cotes Graph Neural Networks: On the Time Evolution of Dynamic Systems [49.50674348130157]
本稿では,ニュートン・コーツの公式を用いた速度推定に基づく積分の予測手法を提案する。いくつかのベンチマークの実験は、最先端の手法と比較して、一貫性と顕著な改善を実証的に示している。
論文参考訳（メタデータ） (2023-05-24T02:23:00Z)
Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
論文参考訳（メタデータ） (2022-02-25T20:00:56Z)
Structure-Preserving Learning Using Gaussian Processes and Variational Integrators [62.31425348954686]
本稿では,機械系の古典力学に対する変分積分器と,ガウス過程の回帰による残留力学の学習の組み合わせを提案する。我々は、既知のキネマティック制約を持つシステムへのアプローチを拡張し、予測の不確実性に関する公式な境界を提供する。
論文参考訳（メタデータ） (2021-12-10T11:09:29Z)
Constructing Neural Network-Based Models for Simulating Dynamical Systems [59.0861954179401]
データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
論文参考訳（メタデータ） (2021-11-02T10:51:42Z)
Learning Continuous System Dynamics from Irregularly-Sampled Partial Observations [33.63818978256567]
グラフ構造を持つ多エージェント動的システムをモデル化するための潜在常微分方程式生成モデルLG-ODEを提案する。高次元軌跡の埋め込みと連続潜伏系力学を同時に学習することができる。我々のモデルは、教師なしの方法で初期状態を推論できるグラフニューラルネットワークによってパラメータ化された新しいエンコーダを採用している。
論文参考訳（メタデータ） (2020-11-08T01:02:22Z)
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。