論文の概要: Predicting the Energy Landscape of Stochastic Dynamical System via Physics-informed Self-supervised Learning

• arxiv url: http://arxiv.org/abs/2502.16828v1
• Date: Mon, 24 Feb 2025 04:26:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-25 15:56:04.088037
• Title: Predicting the Energy Landscape of Stochastic Dynamical System via Physics-informed Self-supervised Learning
• Title（参考訳）: 物理インフォームド自己教師型学習による確率力学系のエネルギー景観予測
• Authors: Ruikun Li, Huandong Wang, Qingmin Liao, Yong Li,
• Abstract要約: エネルギー景観は多くの実世界の複雑なシステムの力学を形成する上で重要な役割を担っている。 進化軌道からエネルギー景観を学習するための物理インフォームド自己教師学習法を提案する。
• 参考スコア（独自算出の注目度）: 27.544116710935278
• License:
• Abstract: Energy landscapes play a crucial role in shaping dynamics of many real-world complex systems. System evolution is often modeled as particles moving on a landscape under the combined effect of energy-driven drift and noise-induced diffusion, where the energy governs the long-term motion of the particles. Estimating the energy landscape of a system has been a longstanding interdisciplinary challenge, hindered by the high operational costs or the difficulty of obtaining supervisory signals. Therefore, the question of how to infer the energy landscape in the absence of true energy values is critical. In this paper, we propose a physics-informed self-supervised learning method to learn the energy landscape from the evolution trajectories of the system. It first maps the system state from the observation space to a discrete landscape space by an adaptive codebook, and then explicitly integrates energy into the graph neural Fokker-Planck equation, enabling the joint learning of energy estimation and evolution prediction. Experimental results across interdisciplinary systems demonstrate that our estimated energy has a correlation coefficient above 0.9 with the ground truth, and evolution prediction accuracy exceeds the baseline by an average of 17.65\%. The code is available at github.com/tsinghua-fib-lab/PESLA.
• Abstract（参考訳）: エネルギー景観は多くの実世界の複雑なシステムの力学を形成する上で重要な役割を担っている。 系の進化はしばしば、エネルギー駆動ドリフトとノイズ誘起拡散の複合効果の下で、粒子の長期的な動きをエネルギーが支配する風景上を移動する粒子としてモデル化される。 システムのエネルギー景観を推定することは長年にわたる学際的課題であり、高い運用コストや監督信号の取得の困難さによって妨げられている。 したがって、真のエネルギー値がない場合にどのようにエネルギー景観を推測するかという問題は非常に重要である。 本稿では,進化軌道からエネルギー景観を学習するための物理情報を用いた自己教師型学習手法を提案する。 まず、適応的なコードブックによって観測空間から離散的なランドスケープ空間に系状態をマッピングし、その後、エネルギーをグラフニューラルフォッカー・プランク方程式に明示的に統合し、エネルギー推定と進化予測の合同学習を可能にする。 系統間実験の結果, 推定エネルギーの相関係数は0.9以上であり, 進化予測精度は平均17.65 %を超えることがわかった。 コードはgithub.com/tsinghua-fib-lab/PESLAで入手できる。

関連論文リスト

• Pioneer: Physics-informed Riemannian Graph ODE for Entropy-increasing Dynamics [61.70424540412608]
  幅広いエントロピー増加動的システムに対する物理インフォームドグラフODEを提案する。 我々は、物理法則に従って、証明可能なエントロピーの非減少を報告する。 実証的な結果は、実際のデータセット上でのPioneerの優位性を示している。
  論文  参考訳（メタデータ） (2025-02-05T14:54:30Z)
• 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)
• Learning Iterative Reasoning through Energy Diffusion [90.24765095498392]
  我々は,エネルギー拡散による反復的推論(IRED)を紹介した。 IREDは入力条件と所望の出力の間の制約を表現するためにエネルギー関数を学ぶ。 IREDは、連続空間推論、離散空間推論、計画タスクにおいて既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-06-17T03:36:47Z)
• TANGO: Time-Reversal Latent GraphODE for Multi-Agent Dynamical Systems [43.39754726042369]
  連続グラフニューラルネットワークに基づく常微分方程式(GraphODE)により予測される前後の軌跡を整列するソフト制約として,単純かつ効果的な自己監督型正規化項を提案する。 時間反転対称性を効果的に課し、古典力学の下でより広い範囲の力学系にわたってより正確なモデル予測を可能にする。 様々な物理システムに対する実験結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-10-10T08:52:16Z)
• Energy Transformer [64.22957136952725]
  我々の研究は、機械学習における有望な3つのパラダイム、すなわち注意機構、エネルギーベースモデル、連想記憶の側面を組み合わせる。 本稿では,エネルギー変換器(ET,Energy Transformer)と呼ばれる新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-02-14T18:51:22Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• The problem of engines in statistical physics [62.997667081978825]
  エンジンは、外部の不均衡を犠牲にして、仕事を循環的に生成できるオープンシステムである。 オープン量子系の理論の最近の進歩は、自律エンジンのより現実的な記述を示している。 運動方程式に外部荷重力と熱雑音を組み込む方法を示す。
  論文  参考訳（メタデータ） (2021-08-17T03:59:09Z)
• Forced Variational Integrator Networks for Prediction and Control of Mechanical Systems [7.538482310185133]
  強制的変動積分器ネットワーク(FVIN)アーキテクチャにより,エネルギー散逸と外部強制を正確に考慮できることを示す。 これにより、高データ効率のモデルベース制御が可能となり、実際の非保守的なシステムで予測できる。
  論文  参考訳（メタデータ） (2021-06-05T21:39:09Z)
• Dissipative SymODEN: Encoding Hamiltonian Dynamics with Dissipation and Control into Deep Learning [9.811643357656196]
  本研究では,観測された状態軌跡から散逸した物理系の力学を推論できるディープラーニングアーキテクチャである Dissipative SymODEN を紹介する。 Dissipative SymODENは、エネルギー散逸と外部入力をグラフの設計にエンコードし、構造化された方法でダイナミクスを学習する。
  論文  参考訳（メタデータ） (2020-02-20T16:44:10Z)
• Scale bridging materials physics: Active learning workflows and integrable deep neural networks for free energy function representations in alloys [0.0]
  メカノケミカル相互作用材料システムでは、組成のみを考慮しても、秩序パラメータやひずみは自由エネルギーを合理的に高次元にすることができる。 大規模ブリッジングのパラダイムとして自由エネルギーを提案する際、我々はそのような高次元関数の表現にニューラルネットワークを利用したことがある。 我々は,原子スケールモデルと統計力学から得られるエネルギーデリバティブデータを学習し,解析的に積分して自由エネルギー密度関数を復元する統合型ディープニューラルネットワーク(IDNN)を開発した。
  論文  参考訳（メタデータ） (2020-01-30T03:59:24Z)

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。