論文の概要: Discover Physical Concepts and Equations with Machine Learning

• arxiv url: http://arxiv.org/abs/2412.12161v1
• Date: Wed, 11 Dec 2024 15:30:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-18 14:00:07.989934
• Title: Discover Physical Concepts and Equations with Machine Learning
• Title（参考訳）: 機械学習による物理概念と方程式の発見
• Authors: Bao-Bing Li, Yi Gu, Shao-Feng Wu,
• Abstract要約: 我々は、物理発見のための人間の物理的推論プロセスをシミュレートするニューラルネットワークアーキテクチャであるSciNetを拡張した。 我々はこのモデルを、コペルニクスのヘリオ中心太陽系を含む物理学の歴史に触発されたいくつかの重要な例に適用する。 その結果、ニューラルネットワークは対応する理論を再構築することに成功した。
• 参考スコア（独自算出の注目度）: 7.565272546753481
• License:
• Abstract: Machine learning can uncover physical concepts or physical equations when prior knowledge from another one is available. However, in many cases, these two aspects are coupled and cannot be discovered independently. We extend SciNet, which is a neural network architecture that simulates the human physical reasoning process for physics discovery, by proposing a model that combines Variational Autoencoders (VAEs) with Neural Ordinary Differential Equations (Neural ODEs). This allows us to simultaneously discover physical concepts and governing equations from simulated experimental data across diverse physical systems. We apply the model to several key examples inspired by the history of physics, including Copernicus' heliocentric solar system, Newton's law of universal gravitation, the wave function together with the Schr\"odinger equation, and spin-1/2 along with the Pauli equation. The results demonstrate that the neural network successfully reconstructs the corresponding theories.
• Abstract（参考訳）: 機械学習は、他の知識が利用できる場合に、物理的な概念や物理方程式を明らかにすることができる。 しかし、多くの場合、これらの2つの側面は結合しており、独立に発見することはできない。 我々は、変分オートエンコーダ(VAE)とニューラル正規微分方程式(Neural Ordinary Differential Equations,Neural ODEs)を組み合わせたモデルを提案することにより、物理発見のための人間の物理的推論プロセスをシミュレートするニューラルネットワークアーキテクチャであるSciNetを拡張した。 これにより、様々な物理システムにまたがるシミュレーション実験データから、物理概念を同時に発見し、方程式を制御できる。 このモデルは、コペルニクスのヘリオ中心太陽系、ニュートンの普遍重力法則、シュリンガー方程式と共に波動関数、パウリ方程式と共にスピン-1/2など、物理学の歴史から着想を得たいくつかの重要な例に適用する。 その結果、ニューラルネットワークは対応する理論を再構築することに成功した。

関連論文リスト

• Fourier Neural Differential Equations for learning Quantum Field Theories [57.11316818360655]
  量子場理論は相互作用ハミルトニアンによって定義され、散乱行列によって実験データにリンクされる。 本稿では,NDEモデルを用いて理論,スカラー・ユーカワ理論,スカラー量子電磁力学を学習する。 理論の相互作用ハミルトニアンは、ネットワークパラメータから抽出することができる。
  論文  参考訳（メタデータ） (2023-11-28T22:11:15Z)
• Physics-informed machine learning of the correlation functions in bulk fluids [2.1255150235172837]
  オルンシュタイン・ザーニーク方程式(オルンシュタイン・ザーニークりょうり、英: Ornstein-Zernike equation)は、液体の現代的な積分方程式理論におけるペア相関関数計算の基本的な方程式である。 この研究では、特に物理インフォームドニューラルネットワークや物理インフォームドニューラルネットワークといった機械学習モデルを用いて、OZ方程式を解く。
  論文  参考訳（メタデータ） (2023-09-02T00:11:48Z)
• Learning the solution operator of two-dimensional incompressible Navier-Stokes equations using physics-aware convolutional neural networks [68.8204255655161]
  パラメトリゼーションを必要とせず, 種々の測地における定常ナビエ-ストークス方程式の近似解を学習する手法を提案する。 物理を意識したCNNの結果は、最先端のデータベースアプローチと比較される。
  論文  参考訳（メタデータ） (2023-08-04T05:09:06Z)
• Physically Consistent Neural ODEs for Learning Multi-Physics Systems [0.0]
  本稿では, 可逆ポート・ハミルトニアンシステム (IPHS) の枠組みを利用する。 データからパラメータを学習するために,PC-NODE(Physically Consistent NODE)を提案する。 提案手法の有効性を実世界の実測値から建物熱力学を学習し,その有効性を実証する。
  論文  参考訳（メタデータ） (2022-11-11T11:20:35Z)
• Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
  軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。 ニューラル微分方程式モデルに基づく新しい手法を提案する。 我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
  論文  参考訳（メタデータ） (2022-07-21T12:11:18Z)
• Applications of physics informed neural operators [2.588973722689844]
  偏微分方程式を学習するためのエンドツーエンドフレームワークを提案する。 まず,本手法が他のニューラル演算子の精度と性能を再現することを示す。 2次元バーガース方程式を含む新しいタイプの方程式を学習するために、物理インフォームド・ニューラル演算子を適用した。
  論文  参考訳（メタデータ） (2022-03-23T18:00:05Z)
• Physics Informed RNN-DCT Networks for Time-Dependent Partial Differential Equations [62.81701992551728]
  時間依存偏微分方程式を解くための物理インフォームド・フレームワークを提案する。 我々のモデルは離散コサイン変換を用いて空間的および反復的なニューラルネットワークを符号化する。 ナヴィエ・ストークス方程式に対するテイラー・グリーン渦解の実験結果を示す。
  論文  参考訳（メタデータ） (2022-02-24T20:46:52Z)
• Dynamic Visual Reasoning by Learning Differentiable Physics Models from Video and Language [92.7638697243969]
  視覚概念を協調的に学習し,映像や言語から物体の物理モデルを推定する統合フレームワークを提案する。 これは視覚認識モジュール、概念学習モジュール、微分可能な物理エンジンの3つのコンポーネントをシームレスに統合することで実現される。
  論文  参考訳（メタデータ） (2021-10-28T17:59:13Z)
• The Autodidactic Universe [0.8795040582681388]
  宇宙が自身の物理法則を学習する宇宙論へのアプローチを提案する。 我々はこれらの行列モデルをゲージ/重力理論と学習機械の数学的モデルの両方に対応づけたマップを発見する。 自律的なシステムでは,教師のいない学習がどのような意味を持つのかを詳細に議論する。
  論文  参考訳（メタデータ） (2021-03-29T02:25:02Z)
• Partial Differential Equations is All You Need for Generating Neural Architectures -- A Theory for Physical Artificial Intelligence Systems [40.20472268839781]
  我々は、統計物理学における反応拡散方程式、量子力学におけるシュル・オーディンガー方程式、同軸光学におけるヘルムホルツ方程式を一般化する。 数値解を求めるためにNPDEを離散化するために有限差分法を用いる。 多層パーセプトロン、畳み込みニューラルネットワーク、リカレントニューラルネットワークなど、ディープニューラルネットワークアーキテクチャの基本構築ブロックが生成される。
  論文  参考訳（メタデータ） (2021-03-10T00:05:46Z)
• Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
  本稿では,機械学習のフレームワークとモデルの実装について紹介する。 グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。 我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
  論文  参考訳（メタデータ） (2020-02-21T16:44:28Z)

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。