論文の概要: Data-driven model reconstruction for nonlinear wave dynamics

• arxiv url: http://arxiv.org/abs/2411.11556v1
• Date: Mon, 18 Nov 2024 13:17:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-19 14:32:02.163832
• Title: Data-driven model reconstruction for nonlinear wave dynamics
• Title（参考訳）: 非線形波動ダイナミクスのためのデータ駆動モデル再構成
• Authors: Ekaterina Smolina, Lev Smirnov, Daniel Leykam, Franco Nori, Daria Smirnova,
• Abstract要約: 複雑な波動媒質における光ウェーブレットの非線形進化ダイナミクスを解析するための解釈可能な機械学習フレームワークを提案する。 我々はスパースレグレッションを用いて、ウェーブパケットエンベロープの力学を正確に記述できるより単純な有効モデルに微視的な離散格子モデルを還元する。 再構成された方程式は、自己中心化や自己焦点化を含む線形分散非線形効果を正確に再現する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The use of machine learning to predict wave dynamics is a topic of growing interest, but commonly-used deep learning approaches suffer from a lack of interpretability of the trained models. Here we present an interpretable machine learning framework for analyzing the nonlinear evolution dynamics of optical wavepackets in complex wave media. We use sparse regression to reduce microscopic discrete lattice models to simpler effective continuum models which can accurately describe the dynamics of the wavepacket envelope. We apply our approach to valley-Hall domain walls in honeycomb photonic lattices of laser-written waveguides with Kerr-type nonlinearity and different boundary shapes. The reconstructed equations accurately reproduce the linear dispersion and nonlinear effects including self-steepening and self-focusing. This scheme is proven free of the a priori limitations imposed by the underlying hierarchy of scales traditionally employed in asymptotic analytical methods. It represents a powerful interpretable machine learning technique of interest for advancing design capabilities in photonics and framing the complex interaction-driven dynamics in various topological materials.
• Abstract（参考訳）: 機械学習を用いて波動力学を予測することは、関心が高まるトピックであるが、一般的に使われているディープラーニングアプローチは、トレーニングされたモデルの解釈可能性の欠如に悩まされている。 本稿では、複雑な波動媒質中の光波束の非線形進化ダイナミクスを解析するための解釈可能な機械学習フレームワークを提案する。 我々はスパースレグレッションを用いて、ウェーブパケットエンベロープの力学を正確に記述できるより単純な有効連続体モデルに微視的な離散格子モデルを還元する。 レーザー光導波路のハニカムフォトニック格子におけるキャラー型非線形性と境界形状の異なる谷-ハル領域壁へのアプローチを応用した。 再構成された方程式は、自己中心化や自己焦点化を含む線形分散及び非線形効果を正確に再現する。 このスキームは、伝統的に漸近解析法で用いられてきたスケールの下位階層によって課される事前制限を伴わないことが証明されている。 これは、フォトニクスにおける設計能力の向上と、様々なトポロジカル材料における複雑な相互作用駆動力学のフレーミングにおいて、強力な解釈可能な機械学習技術である。

関連論文リスト

• Generative learning for nonlinear dynamics [7.6146285961466]
  生成機械学習モデルは、トレーニングデータを超えて、現実的なアウトプットを生成します。 これらの成功は、生成モデルが任意の複雑な分布を効果的にパラメータ化し、サンプリングすることを学ぶことを示唆している。 我々は,これらの古典作品と大規模生成統計学習の新たなテーマを結びつけることを目的としている。
  論文  参考訳（メタデータ） (2023-11-07T16:53:56Z)
• Using system-reservoir methods to derive effective field theories for broadband nonlinear quantum optics: a case study on cascaded quadratic nonlinearities [0.0]
  多数の周波数成分間の非線形相互作用は、複素力学を誘導し、デファイ解析を行う。 我々は,貯水池の自由度を分解し,簡潔な有効モデルを確立するための摂動的枠組みを導入する。 本研究は, 高精度で直感的な還元モデル作成のためのシステム・貯留層法の有用性を強調した。
  論文  参考訳（メタデータ） (2023-11-06T23:00:47Z)
• Learning Nonlinear Projections for Reduced-Order Modeling of Dynamical Systems using Constrained Autoencoders [0.0]
  制約付き自己エンコーダニューラルネットワークによって記述された非線形射影のクラスを導入し,データから多様体と射影繊維の両方を学習する。 我々のアーキテクチャでは、エンコーダがデコーダの左逆であることを保証するために、可逆的アクティベーション関数と生物直交重み行列を用いる。 また,高速なダイナミックスと非正規性を考慮した斜め射影ファイバの学習を促進するために,新しいダイナミックス対応コスト関数を導入する。
  論文  参考訳（メタデータ） (2023-07-28T04:01:48Z)
• 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 Abstractions [72.42530499990028]
  本稿では,ニューラルネットワークを用いた非線形力学モデルの安全性検証手法を提案する。 提案手法は,既存のベンチマーク非線形モデルにおいて,成熟度の高いFlow*と同等に動作することを示す。
  論文  参考訳（メタデータ） (2023-01-27T12:38:09Z)
• Learning Low-Dimensional Quadratic-Embeddings of High-Fidelity Nonlinear Dynamics using Deep Learning [9.36739413306697]
  データから動的モデルを学ぶことは、エンジニアリング設計、最適化、予測において重要な役割を果たす。 深層学習を用いて高忠実度力学系に対する低次元埋め込みを同定する。
  論文  参考訳（メタデータ） (2021-11-25T10:09:00Z)
• Exact solutions of interacting dissipative systems via weak symmetries [77.34726150561087]
  我々は任意の強い相互作用や非線形性を持つクラスマルコフ散逸系(英語版)のリウヴィリアンを解析的に対角化する。 これにより、フルダイナミックスと散逸スペクトルの正確な記述が可能になる。 我々の手法は他の様々なシステムに適用でき、複雑な駆動散逸量子系の研究のための強力な新しいツールを提供することができる。
  論文  参考訳（メタデータ） (2021-09-27T17:45:42Z)
• Learning Nonlinear Waves in Plasmon-induced Transparency [0.0]
  プラズモン誘起透過性メタマテリアルシステムにおける非線形ソリトンの複雑な伝播を予測するためのリカレントニューラルネットワーク(RNN)アプローチを検討する。 我々は,長期記憶(LSTM)人工ニューラルネットワークによるシミュレーションと予測において,結果の顕著な一致を証明した。
  論文  参考訳（メタデータ） (2021-07-31T21:21:44Z)
• Designing Kerr Interactions for Quantum Information Processing via Counterrotating Terms of Asymmetric Josephson-Junction Loops [68.8204255655161]
  静的空洞非線形性は通常、ボゾン量子誤り訂正符号の性能を制限する。 非線形性を摂動として扱うことで、シュリーファー・ヴォルフ変換を用いて実効ハミルトニアンを導出する。 その結果、立方体相互作用は、線形演算と非線形演算の両方の有効率を高めることができることがわかった。
  論文  参考訳（メタデータ） (2021-07-14T15:11:05Z)
• Hessian Eigenspectra of More Realistic Nonlinear Models [73.31363313577941]
  私たちは、非線形モデルの広いファミリーのためのヘッセン固有スペクトルの言語的特徴付けを行います。 我々の分析は、より複雑な機械学習モデルで観察される多くの顕著な特徴の起源を特定するために一歩前進する。
  論文  参考訳（メタデータ） (2021-03-02T06:59:52Z)
• Neural Dynamic Mode Decomposition for End-to-End Modeling of Nonlinear Dynamics [49.41640137945938]
  ニューラルネットワークに基づくリフト関数を推定するためのニューラルダイナミックモード分解法を提案する。 提案手法により,予測誤差はニューラルネットワークとスペクトル分解によって逆伝搬される。 提案手法の有効性を,固有値推定と予測性能の観点から実証した。
  論文  参考訳（メタデータ） (2020-12-11T08:34:26Z)

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。