論文の概要: A Universal Model Combining Differential Equations and Neural Networks for Ball Trajectory Prediction
- arxiv url: http://arxiv.org/abs/2503.18584v1
- Date: Mon, 24 Mar 2025 11:41:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-25 14:34:42.313732
- Title: A Universal Model Combining Differential Equations and Neural Networks for Ball Trajectory Prediction
- Title（参考訳）: ボール軌道予測のための微分方程式とニューラルネットワークを組み合わせた普遍モデル
- Authors: Zhiwei Shi, Chengxi Zhu, Fan Yang, Jun Yan, Zheyun Qin, Songquan Shi, Zhumin Chen,
- Abstract要約: 既存の方法は特定のボールタイプのために設計されており、一般化に苦慮している。
本稿では,物理方程式と統合されたデータ駆動型ユニバーサル球軌道予測法を提案する。
- 参考スコア（独自算出の注目度）: 11.862382788207514
- License:
- Abstract: This paper presents a data driven universal ball trajectory prediction method integrated with physics equations. Existing methods are designed for specific ball types and struggle to generalize. This challenge arises from three key factors. First, learning-based models require large datasets but suffer from accuracy drops in unseen scenarios. Second, physics-based models rely on complex formulas and detailed inputs, yet accurately obtaining ball states, such as spin, is often impractical. Third, integrating physical principles with neural networks to achieve high accuracy, fast inference, and strong generalization remains difficult. To address these issues, we propose an innovative approach that incorporates physics-based equations and neural networks. We first derive three generalized physical formulas. Then, using a neural network and observed trajectory points, we infer certain parameters while fitting the remaining ones. These formulas enable precise trajectory prediction with minimal training data: only a few dozen samples. Extensive experiments demonstrate our method superiority in generalization, real-time performance, and accuracy.
- Abstract（参考訳）: 本稿では,物理方程式と統合されたデータ駆動型ユニバーサル球軌道予測法を提案する。
既存の方法は特定のボールタイプのために設計されており、一般化に苦慮している。
この課題は3つの重要な要因から生じます。
まず、学習ベースのモデルは大きなデータセットを必要とするが、目に見えないシナリオでは精度の低下に悩まされる。
第二に、物理学に基づくモデルは複雑な公式や詳細な入力に依存しているが、スピンのような球状態の正確な取得は現実的ではないことが多い。
第3に、高精度、高速な推論、強力な一般化を実現するために、物理原理とニューラルネットワークを統合することは依然として困難である。
これらの問題に対処するために、物理学に基づく方程式とニューラルネットワークを取り入れた革新的なアプローチを提案する。
まず3つの一般化された物理式を導出する。
そして、ニューラルネットワークを用いて軌道点を観測し、残りのパラメータを適合させながら特定のパラメータを推測する。
これらの公式は、最小限のトレーニングデータで正確な軌道予測を可能にする。
大規模実験により,本手法の一般化,実時間性能,精度が向上した。
関連論文リスト
- Neural Astrophysical Wind Models [0.0]
本研究は, 直交常微分方程式 (ODE) に個々の項として埋め込まれたディープニューラルネットワークが, これらの物理の双方をしっかりと発見できることを示す。
我々は、3つの保存変数を明示的に解決するのではなく、マッハ数に基づく損失関数を最適化し、近分散解に対してペナルティ項を適用する。
この研究は、非線形逆問題に対する機械論的解釈性を備えた有望な発見ツールとしてのニューラルODEの実現性をさらに強調する。
論文 参考訳（メタデータ） (2023-06-20T16:37:57Z) - 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) - NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with
Spatial-temporal Decomposition [67.46012350241969]
本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。
元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。
本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
論文 参考訳（メタデータ） (2023-02-20T19:36:52Z) - Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。
物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。
本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
論文 参考訳（メタデータ） (2022-10-13T10:00:30Z) - 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) - An extended physics informed neural network for preliminary analysis of
parametric optimal control problems [0.0]
本研究では、パラメトリック偏微分方程式に対する教師付き学習戦略の拡張を提案する。
我々の主な目標は、パラメトリケート現象を短時間でシミュレートする物理情報学習パラダイムを提供することです。
論文 参考訳（メタデータ） (2021-10-26T09:39:05Z) - Conditional physics informed neural networks [85.48030573849712]
固有値問題のクラス解を推定するための条件付きPINN(物理情報ニューラルネットワーク)を紹介します。
一つのディープニューラルネットワークが、問題全体に対する偏微分方程式の解を学習できることが示される。
論文 参考訳（メタデータ） (2021-04-06T18:29:14Z) - Differential Euler: Designing a Neural Network approximator to solve the
Chaotic Three Body Problem [2.8583189395674653]
breenらは最近、単純なニューラルネットワークを使って3つのボディ問題をほぼ解決しようと試みた。
そこで本研究では,ニューラルネットワークを用いた3つの身体問題を解決するための詳細な実験手法を提案する。
論文 参考訳（メタデータ） (2021-01-21T07:52:46Z) - The Gaussian equivalence of generative models for learning with shallow
neural networks [30.47878306277163]
本研究では,事前学習した生成モデルから得られたデータに基づいて学習したニューラルネットワークの性能について検討する。
この等価性を裏付ける厳密で解析的で数値的な証拠を3本提供します。
これらの結果は、現実的なデータを持つ機械学習モデルの理論研究への有効な道を開く。
論文 参考訳（メタデータ） (2020-06-25T21:20:09Z) - Physics-based polynomial neural networks for one-shot learning of
dynamical systems from one or a few samples [0.0]
本論文は, 単純な振り子と世界最大規模のX線源の双方について, 実測結果について述べる。
提案手法により, ノイズ, 制限, 部分的な観測から複雑な物理を復元することができることが実証された。
論文 参考訳（メタデータ） (2020-05-24T09:27:10Z) - 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。