論文の概要: NN-ResDMD: Learning Koopman Representations for Complex Dynamics with Spectral Residuals
- arxiv url: http://arxiv.org/abs/2501.00701v1
- Date: Wed, 01 Jan 2025 02:19:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-05 17:12:09.701965
- Title: NN-ResDMD: Learning Koopman Representations for Complex Dynamics with Spectral Residuals
- Title(参考訳): NN-ResDMD:スペクトル残差を考慮した複雑なダイナミクスのためのクープマン表現の学習
- Authors: Yuanchao Xu, Kaidi Shao, Nikos Logothetis, Zhongwei Shen,
- Abstract要約: 本稿では、スペクトル残差を最小化して、クープマンスペクトル成分を直接推定するニューラルネットワーク-ResDMD(NN-ResDMD)を提案する。
物理的および生物学的システムの実験により、NN-ResDMDは精度とスケーラビリティの両方を著しく改善することが示された。
- 参考スコア(独自算出の注目度): 1.8570740863168362
- License:
- Abstract: Analyzing long-term behaviors in high-dimensional nonlinear dynamical systems remains a significant challenge. The Koopman operator framework has emerged as a powerful tool to address this issue by providing a globally linear perspective on nonlinear dynamics. However, existing methods for approximating the Koopman operator and its spectral components, particularly in large-scale systems, often lack robust theoretical guarantees. Residual Dynamic Mode Decomposition (ResDMD) introduces a spectral residual measure to assess the convergence of the estimated Koopman spectrum, which helps filter out spurious spectral components. Nevertheless, it depends on pre-computed spectra, thereby inheriting their inaccuracies. To overcome its limitations, we introduce the Neural Network-ResDMD (NN-ResDMD), a method that directly estimates Koopman spectral components by minimizing the spectral residual. By leveraging neural networks, NN-ResDMD automatically identifies the optimal basis functions of the Koopman invariant subspace, eliminating the need for manual selection and improving the reliability of the analysis. Experiments on physical and biological systems demonstrate that NN-ResDMD significantly improves both accuracy and scalability, making it an effective tool for analyzing complex dynamical systems.
- Abstract(参考訳): 高次元非線形力学系における長期挙動の解析は重要な課題である。
Koopman演算子フレームワークは、非線形力学の世界的な線形視点を提供することによってこの問題に対処するための強力なツールとして登場した。
しかし、クープマン作用素とそのスペクトル成分を近似する既存の方法、特に大規模システムでは、しばしば堅牢な理論的保証が欠如している。
残留動的モード分解(Residual Dynamic Mode Decomposition、ResDMD)は、推定したクープマンスペクトルの収束を評価するためのスペクトル残差測定を導入し、スプリアススペクトル成分をフィルタリングするのに役立つ。
しかし、これは事前に計算されたスペクトルに依存するため、不正確さを継承する。
その限界を克服するために、スペクトル残差を最小化してクープマンスペクトル成分を直接推定するニューラルネットワーク-ResDMD(NN-ResDMD)を導入する。
ニューラルネットワークを活用することで、NN-ResDMDはクープマン不変部分空間の最適基底関数を自動的に識別し、手動選択の必要性を排除し、解析の信頼性を向上させる。
物理的および生物学的システムの実験により、NN-ResDMDは精度とスケーラビリティの両方を著しく改善し、複雑な力学系を解析するための効果的なツールであることが示された。
関連論文リスト
- Nonparametric Sparse Online Learning of the Koopman Operator [11.710740395697128]
クープマン作用素は、一般的な非線形力学系の力学を表現する強力なフレームワークを提供する。
クープマン作用素を学ぶためのデータ駆動手法は、選択された関数空間がシステム力学の下で閉じていると仮定するのが一般的である。
演算子近似アルゴリズムを用いて、演算子を反復的に学習し、表現の複雑さの制御を行う。
論文 参考訳(メタデータ) (2025-01-27T20:48:10Z) - Point-Calibrated Spectral Neural Operators [54.13671100638092]
点レベル適応スペクトルベースで関数を近似することで演算子マッピングを学習する。
点平衡スペクトル演算子は点レベル適応スペクトルベースで関数を近似することで演算子マッピングを学習する。
論文 参考訳(メタデータ) (2024-10-15T08:19:39Z) - Multiplicative Dynamic Mode Decomposition [4.028503203417233]
有限次元近似においてクープマン作用素に固有の乗法構造を強制する乗法動的モード分解(MultDMD)を導入する。
MultDMDは有限次元近似に対する構造化されたアプローチを示し、クープマン作用素のスペクトル特性を正確に反映することができる。
我々は,MultDMDの理論的枠組みについて詳述し,その定式化,最適化戦略,収束特性について詳述する。
論文 参考訳(メタデータ) (2024-05-08T18:09:16Z) - Rigged Dynamic Mode Decomposition: Data-Driven Generalized Eigenfunction Decompositions for Koopman Operators [0.0]
そこで我々は,Koopman演算子の一般化固有関数分解を計算するRiged Dynamic Mode Decomposition (Rigged DMD)アルゴリズムを提案する。
例として、ルベーグスペクトルを持つ系、可積分ハミルトニアン系、ローレンツ系、および2次元正方形空洞内のレイノルズ数蓋駆動流れについて述べる。
論文 参考訳(メタデータ) (2024-05-01T18:00:18Z) - Generalization of Scaled Deep ResNets in the Mean-Field Regime [55.77054255101667]
無限深度および広帯域ニューラルネットワークの限界におけるエンスケールResNetについて検討する。
この結果から,遅延学習体制を超えた深層ResNetの一般化能力に関する新たな知見が得られた。
論文 参考訳(メタデータ) (2024-03-14T21:48:00Z) - Spectral Decomposition Representation for Reinforcement Learning [100.0424588013549]
本稿では, スペクトル分解表現法(SPEDER)を提案する。この手法は, データ収集ポリシーに急激な依存を生じさせることなく, ダイナミックスから状態-作用の抽象化を抽出する。
理論的解析により、オンライン設定とオフライン設定の両方において提案アルゴリズムのサンプル効率が確立される。
実験により、いくつかのベンチマークで現在の最先端アルゴリズムよりも優れた性能を示す。
論文 参考訳(メタデータ) (2022-08-19T19:01:30Z) - Residual Dynamic Mode Decomposition: Robust and verified Koopmanism [0.0]
動的モード分解(DMD)は、より単純なコヒーレントな特徴の階層による複雑な動的プロセスを記述する。
本稿では,Residual Dynamic Mode Decomposition(ResDMD)を提案する。
ResDMDは一般的なクープマン作用素のスペクトルと擬似スペクトルを誤差制御で計算し、明示的な高階収束定理でスペクトル測度(連続スペクトルを含む)の滑らかな近似を計算する。
論文 参考訳(メタデータ) (2022-05-19T18:02:44Z) - Reinforcement Learning from Partial Observation: Linear Function Approximation with Provable Sample Efficiency [111.83670279016599]
部分観察決定過程(POMDP)の無限観測および状態空間を用いた強化学習について検討した。
線形構造をもつPOMDPのクラスに対する部分可観測性と関数近似の最初の試みを行う。
論文 参考訳(メタデータ) (2022-04-20T21:15:38Z) - Rigorous data-driven computation of spectral properties of Koopman
operators for dynamical systems [2.0305676256390934]
本稿では、クープマン作用素のスペクトル情報を計算するための厳密な収束保証付きアルゴリズムについて述べる。
一般測度保存力学系に関連するスペクトル測度のスムーズな近似を計算する。
我々は,テントマップ,円回転,ガウス反復マップ,非線形振り子,二重振り子,ローレンツシステムにアルゴリズムを実演する。
論文 参考訳(メタデータ) (2021-11-29T19:01:26Z) - 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) - Applications of Koopman Mode Analysis to Neural Networks [52.77024349608834]
我々は,ニューラルネットワークのトレーニング過程を,高次元の重み空間に作用する力学系と考える。
アーキテクチャに必要なレイヤ数を決定するために、Koopmanスペクトルをどのように利用できるかを示す。
また、Koopmanモードを使えば、ネットワークを選択的にプーンしてトレーニング手順を高速化できることを示す。
論文 参考訳(メタデータ) (2020-06-21T11:00:04Z)
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。