論文の概要: Discover physical concepts and equations with machine learning

• arxiv url: http://arxiv.org/abs/2412.12161v2
• Date: Tue, 22 Apr 2025 22:11:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-24 20:25:50.720304
• 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: 本稿では,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 ODE)を組み合わせたモデルを提案する。 これにより、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、方程式を定式化することが可能になる。 このモデルは、コペルニクスのヘリオ中心論、ニュートンの重力法則、シュル・オーディンガーの波動力学、パウリのスピン磁気定式化など、物理学の歴史から着想を得たいくつかの例に適用する。
• 参考スコア（独自算出の注目度）: 7.565272546753481
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning can uncover physical concepts or physical equations when prior knowledge from the other is available. However, these two aspects are often intertwined 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 (VAE) with Neural Ordinary Differential Equations (Neural ODEs). This allows us to simultaneously discover physical concepts and governing equations from simulated experimental data across various physical systems. We apply the model to several examples inspired by the history of physics, including Copernicus' heliocentrism, Newton's law of gravity, Schr\"odinger's wave mechanics, and Pauli's spin-magnetic formulation. The results demonstrate that the correct physical theories can emerge in the neural network.
• Abstract（参考訳）: 機械学習は、他からの事前の知識が利用可能であれば、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、これらの2つの側面はしばしば相互に絡み合っており、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 ODE)を組み合わせたモデルを提案することにより,人間の物理推論過程をシミュレーション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、方程式を定式化することが可能になる。 このモデルは、コペルニクスのヘリオ中心論、ニュートンの重力則、シュリンガーの波動力学、パウリのスピン磁気定式化など、物理学の歴史から着想を得たいくつかの例に適用する。 結果は、正しい物理理論がニューラルネットワークに現れることを示した。

関連論文リスト

• Cosmos-Reason1: From Physical Common Sense To Embodied Reasoning [76.94237859217469]
  物理的なAIシステムは、物理的な世界で複雑な行動を知覚し、理解し、実行する必要がある。 物理世界を理解するためのモデルを提案する。 私たちは、空間、時間、物理学に関する基本的な知識を捉える階層的オントロジーを使用します。 具体的推論では、異なる物理的実施形態をまたいで一般化する2次元オントロジーに依存している。
  論文  参考訳（メタデータ） (2025-03-18T22:06:58Z)
• Latent Intuitive Physics: Learning to Transfer Hidden Physics from A 3D Video [58.043569985784806]
  本稿では,物理シミュレーションのための伝達学習フレームワークである潜在直観物理学を紹介する。 単一の3Dビデオから流体の隠れた性質を推測し、新しいシーンで観察された流体をシミュレートすることができる。 我々は,本モデルの有効性を3つの方法で検証する: (i) 学習されたビジュアルワールド物理を用いた新しいシーンシミュレーション, (ii) 観測された流体力学の将来予測, (iii) 教師付き粒子シミュレーション。
  論文  参考訳（メタデータ） (2024-06-18T16:37:44Z)
• PhyRecon: Physically Plausible Neural Scene Reconstruction [81.73129450090684]
  PHYRECONは、微分可能なレンダリングと微分可能な物理シミュレーションの両方を利用して暗黙的な表面表現を学習する最初のアプローチである。 この設計の中心は、SDFに基づく暗黙の表現と明示的な表面点の間の効率的な変換である。 また,物理シミュレータの安定性も向上し,全データセットに対して少なくとも40%の改善が得られた。
  論文  参考訳（メタデータ） (2024-04-25T15:06:58Z)
• Physics-Encoded Graph Neural Networks for Deformation Prediction under Contact [87.69278096528156]
  ロボット工学では、触覚相互作用における物体の変形を理解することが不可欠である。 本稿では,物理符号化グラフニューラルネットワーク(GNN)を用いた予測手法を提案する。 コードとデータセットを公開して、ロボットシミュレーションと把握の研究を進めました。
  論文  参考訳（メタデータ） (2024-02-05T19:21:52Z)
• Quantum-Inspired Neural Network Model of Optical Illusions [0.0]
  我々は、ネッカーキューブに対する人間の認識をシミュレートするために、ディープニューラルネットワークモデルを訓練する。 我々の研究結果は、無人航空機の宇宙飛行士やオペレーターの訓練に使用されるビデオゲームや仮想現実システムに応用される。
  論文  参考訳（メタデータ） (2023-12-06T12:10:56Z)
• 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)
• Towards Cross Domain Generalization of Hamiltonian Representation via Meta Learning [2.3020018305241337]
  本研究では、ハミルトン力学の分野におけるクロス領域の一般化を目標とすることで、大きな前進を試みている。 我々は,グラフニューラルネットワーク(GNN)を用いてシステムをモデル化し,メタ学習アルゴリズムを用いて,システムの分布を通じて経験を得られるようにした。 メタ訓練モデルが、異なる物理領域間で一貫した一般化されたハミルトン表現をキャプチャすることを示した。
  論文  参考訳（メタデータ） (2022-12-02T13:47:21Z)
• 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)
• The Physics of Machine Learning: An Intuitive Introduction for the Physical Scientist [0.0]
  この記事では、機械学習アルゴリズムに関する深い洞察を得たいと願う物理科学者を対象としている。 まず、エネルギーベースの2つの機械学習アルゴリズム、ホップフィールドネットワークとボルツマンマシンのレビューと、Isingモデルとの関係について述べる。 次に、フィードフォワードニューラルネットワーク、畳み込みニューラルネットワーク、オートエンコーダを含む、さらに"実践的"な機械学習アーキテクチャを掘り下げます。
  論文  参考訳（メタデータ） (2021-11-27T15:12:42Z)
• 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)

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。