論文の概要: Learning Stochastic Thermodynamics Directly from Correlation and Trajectory-Fluctuation Currents

• arxiv url: http://arxiv.org/abs/2504.19007v1
• Date: Sat, 26 Apr 2025 19:42:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:54.084354
• Title: Learning Stochastic Thermodynamics Directly from Correlation and Trajectory-Fluctuation Currents
• Title（参考訳）: 相関と軌道変動電流から直接の確率的熱力学の学習
• Authors: Jinghao Lyu, Kyle J. Ray, James P. Crutchfield,
• Abstract要約: 電流は近年、エントロピーの有界生産における役割について注目を集めている。 そこでは、累積電流と標準機械学習損失関数の基本的な関係を導入する。 これらの損失関数は、TURと他の方法の両方から得られた結果を再現する。 さらに重要なことは、以前は到達不能な量に対する新しい損失関数を発見する道を開くことである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Markedly increased computational power and data acquisition have led to growing interest in data-driven inverse dynamics problems. These seek to answer a fundamental question: What can we learn from time series measurements of a complex dynamical system? For small systems interacting with external environments, the effective dynamics are inherently stochastic, making it crucial to properly manage noise in data. Here, we explore this for systems obeying Langevin dynamics and, using currents, we construct a learning framework for stochastic modeling. Currents have recently gained increased attention for their role in bounding entropy production (EP) from thermodynamic uncertainty relations (TURs). We introduce a fundamental relationship between the cumulant currents there and standard machine-learning loss functions. Using this, we derive loss functions for several key thermodynamic functions directly from the system dynamics without the (common) intermediate step of deriving a TUR. These loss functions reproduce results derived both from TURs and other methods. More significantly, they open a path to discover new loss functions for previously inaccessible quantities. Notably, this includes access to per-trajectory entropy production, even if the observed system is driven far from its steady-state. We also consider higher order estimation. Our method is straightforward and unifies dynamic inference with recent approaches to entropy production estimation. Taken altogether, this reveals a deep connection between diffusion models in machine learning and entropy production estimation in stochastic thermodynamics.
• Abstract（参考訳）: 計算能力とデータ取得が著しく増加し、データ駆動逆ダイナミクス問題への関心が高まっている。 複雑な力学系の時系列測定から何が学べるか? 外部環境と相互作用する小さなシステムにとって、効果的な力学は本質的に確率的であり、データのノイズを適切に管理することが重要である。 本稿では,Langevinの力学に従うシステムについて検討し,電流を用いて確率的モデリングのための学習フレームワークを構築する。 近年、熱力学的不確実性関係(TURs)からエントロピー生成(EP)が果たす役割について注目が集まっている。 そこでは、累積電流と標準機械学習損失関数の基本的な関係を導入する。 これを用いて、TURを導出する(一般的な)中間ステップを使わずに、システム力学から直接、いくつかの重要な熱力学関数の損失関数を導出する。 これらの損失関数は、TURと他の方法の両方から得られた結果を再現する。 さらに重要なことは、以前は到達不能な量に対する新しい損失関数を発見する道を開くことである。 特にこれは、観測された系が定常状態から遠く離れているとしても、軌道毎のエントロピー生成へのアクセスを含む。 また、高次推定についても検討する。 提案手法は,最近のエントロピー生産推定手法と動的推論を統一し,簡便な手法である。 これは、機械学習における拡散モデルと確率的熱力学におけるエントロピー生成推定との深い関係を明らかにするものである。

関連論文リスト

• Dynamical Diffusion: Learning Temporal Dynamics with Diffusion Models [71.63194926457119]
  動的拡散(DyDiff, Dynamical Diffusion)は, 時間的に意識された前と逆のプロセスを含む理論的に健全なフレームワークである。 科学的時間的予測、ビデオ予測、時系列予測に関する実験は、動的拡散が時間的予測タスクのパフォーマンスを一貫して改善することを示した。
  論文  参考訳（メタデータ） (2025-03-02T16:10:32Z)
• Model-free learning of probability flows: Elucidating the nonequilibrium dynamics of flocking [15.238808518078567]
  位相空間の高次元性は、エントロピー生成速度を推定できない伝統的な計算技術を示す。 慣性系に対する確率電流とEPRの2つの局所的定義との間に新しい物理的関係を導出する。 この結果から,アライメントと揺らぎの相互作用が順番を動的に生成・消滅させるため,群れの空間的界面でエントロピーが消費されることが示唆された。
  論文  参考訳（メタデータ） (2024-11-21T17:08:06Z)
• tLaSDI: Thermodynamics-informed latent space dynamics identification [0.0]
  熱力学の第一原理と第二原理を組み込んだ潜在空間力学同定法,すなわち tLa を提案する。 潜伏変数は、非線形次元減少モデルとしてオートエンコーダを通して学習される。 誘引的相関は、潜在空間におけるtLaの量とフルステート溶液の挙動の間に実験的に観察される。
  論文  参考訳（メタデータ） (2024-03-09T09:17:23Z)
• Equivariant Graph Neural Operator for Modeling 3D Dynamics [148.98826858078556]
  我々は,次のステップの予測ではなく,ダイナミックスを直接トラジェクトリとしてモデル化するために,Equivariant Graph Neural Operator (EGNO)を提案する。 EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。 粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
  論文  参考訳（メタデータ） (2024-01-19T21:50:32Z)
• Information theory for data-driven model reduction in physics and biology [0.0]
  我々は,関連変数を特定するために,情報ボトルネックに基づく体系的アプローチを開発する。 高圧縮の極限において、関連する変数は、最も遅い遅延固有関数によって直接決定されることを示す。 モデルリダクションを実行する解釈可能なディープラーニングツールを構築するための確固たる基盤を提供する。
  論文  参考訳（メタデータ） (2023-12-11T18:39:05Z)
• 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)
• Learning Interacting Dynamical Systems with Latent Gaussian Process ODEs [13.436770170612295]
  本研究では,対話対象の連続時間力学の不確実性を考慮したモデリングを初めて行った。 我々のモデルは、独立力学と信頼性のある不確実性推定との相互作用の両方を推測する。
  論文  参考訳（メタデータ） (2022-05-24T08:36:25Z)
• Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
  本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。 静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
  論文  参考訳（メタデータ） (2022-02-25T20:00:56Z)
• Machine learning structure preserving brackets for forecasting irreversible processes [0.0]
  本報告では, 直交力学系からの散逸ブラケットのパラメータ化について述べる。 このプロセスは、エネルギーとエントロピーが保存され、非減少することが保証された一般化されたカシミールを学ぶ。 我々は、学習力学が「ブラックボックス」やペナルティベースのアプローチよりも頑健で、より一般化されていることを示す散逸システムのためのベンチマークを提供する。
  論文  参考訳（メタデータ） (2021-06-23T18:27:59Z)
• Learning Unstable Dynamics with One Minute of Data: A Differentiation-based Gaussian Process Approach [47.045588297201434]
  ガウス過程の微分可能性を利用して、真の連続力学の状態依存線形化近似を作成する方法を示す。 9次元セグウェイのような不安定なシステムのシステムダイナミクスを反復的に学習することで、アプローチを検証する。
  論文  参考訳（メタデータ） (2021-03-08T05:08:47Z)
• Out-of-time-order correlations and the fine structure of eigenstate thermalisation [58.720142291102135]
  量子情報力学と熱化を特徴付けるツールとして、OTOC(Out-of-time-orderor)が確立されている。 我々は、OTOCが、ETH(Eigenstate Thermalisation hypothesis)の詳細な詳細を調査するための、本当に正確なツールであることを明確に示している。 無限温度状態における局所作用素の和からなる可観測物の一般クラスに対して、$omega_textrmGOE$の有限サイズスケーリングを推定する。
  論文  参考訳（メタデータ） (2021-03-01T17:51:46Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)
• Learning Stable Deep Dynamics Models [91.90131512825504]
  状態空間全体にわたって安定することが保証される力学系を学習するためのアプローチを提案する。 このような学習システムは、単純な力学系をモデル化することができ、複雑な力学を学習するために追加の深層生成モデルと組み合わせることができることを示す。
  論文  参考訳（メタデータ） (2020-01-17T00:04:45Z)

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。