論文の概要: Self-Supervised Evolution Operator Learning for High-Dimensional Dynamical Systems

• arxiv url: http://arxiv.org/abs/2505.18671v1
• Date: Sat, 24 May 2025 12:18:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:42.58143
• Title: Self-Supervised Evolution Operator Learning for High-Dimensional Dynamical Systems
• Title（参考訳）: 高次元力学系に対する自己教師付き進化演算子学習
• Authors: Giacomo Turri, Luigi Bonati, Kai Zhu, Massimiliano Pontil, Pietro Novelli,
• Abstract要約: 非スケールな力学系の進化演算子を学習するためのエンコーダのみのアプローチを導入する。 ホストサイトの小さなタンパク質の折りたたみ力学を説明し、気候データのパターンを自律的に発見する。
• 参考スコア（独自算出の注目度）: 24.014942930679855
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce an encoder-only approach to learn the evolution operators of large-scale non-linear dynamical systems, such as those describing complex natural phenomena. Evolution operators are particularly well-suited for analyzing systems that exhibit complex spatio-temporal patterns and have become a key analytical tool across various scientific communities. As terabyte-scale weather datasets and simulation tools capable of running millions of molecular dynamics steps per day are becoming commodities, our approach provides an effective tool to make sense of them from a data-driven perspective. The core of it lies in a remarkable connection between self-supervised representation learning methods and the recently established learning theory of evolution operators. To show the usefulness of the proposed method, we test it across multiple scientific domains: explaining the folding dynamics of small proteins, the binding process of drug-like molecules in host sites, and autonomously finding patterns in climate data. Code and data to reproduce the experiments are made available open source.
• Abstract（参考訳）: 複雑な自然現象を記述するような大規模非線形力学系の進化作用素を学習するためのエンコーダのみのアプローチを導入する。 進化作用素は、複雑な時空間パターンを示すシステムの解析に特に適しており、様々な科学コミュニティにおいて重要な分析ツールとなっている。 1日数百万の分子動力学ステップを実行できるテラバイト規模の気象データセットとシミュレーションツールがコモディティになりつつあるため、我々の手法はデータ駆動の観点からそれらを理解する効果的なツールを提供する。 その中核は、自己教師付き表現学習法と、最近確立された進化作用素の学習理論との間の顕著な関係にある。 提案手法の有用性を示すために, 小型タンパク質の折りたたみ力学, 宿主部位における薬物様分子の結合過程, 気候データにおけるパターンの自律的発見など, 様々な科学的領域で検証を行った。 実験を再現するコードとデータはオープンソースで公開されている。

関連論文リスト

• Deep Learning Through A Telescoping Lens: A Simple Model Provides Empirical Insights On Grokking, Gradient Boosting & Beyond [61.18736646013446]
  その驚くべき振る舞いをより深く理解するために、トレーニングされたニューラルネットワークの単純かつ正確なモデルの有用性について検討する。 3つのケーススタディで、様々な顕著な現象に関する新しい経験的洞察を導き出すためにどのように適用できるかを説明します。
  論文  参考訳（メタデータ） (2024-10-31T22:54:34Z)
• Physical Consistency Bridges Heterogeneous Data in Molecular Multi-Task Learning [79.75718786477638]
  我々は、それらを接続する物理法則が存在する分子的タスクの専門性を生かし、整合性トレーニングアプローチを設計する。 より正確なエネルギーデータにより、構造予測の精度が向上することを示した。 また、整合性トレーニングは、構造予測を改善するために、力と非平衡構造データを直接活用できることがわかった。
  論文  参考訳（メタデータ） (2024-10-14T03:11:33Z)
• Learning minimal representations of stochastic processes with variational autoencoders [52.99137594502433]
  プロセスを記述するのに必要なパラメータの最小セットを決定するために、教師なしの機械学習アプローチを導入する。 我々の手法はプロセスを記述する未知のパラメータの自律的な発見を可能にする。
  論文  参考訳（メタデータ） (2023-07-21T14:25:06Z)
• Learning Latent Dynamics via Invariant Decomposition and (Spatio-)Temporal Transformers [0.6767885381740952]
  本研究では,高次元経験データから力学系を学習する手法を提案する。 我々は、システムの複数の異なるインスタンスからデータが利用できる設定に焦点を当てる。 我々は、単純な理論的分析と、合成および実世界のデータセットに関する広範な実験を通して行動を研究する。
  論文  参考訳（メタデータ） (2023-06-21T07:52:07Z)
• Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular Property Prediction [53.06671763877109]
  我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。 我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。 複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
  論文  参考訳（メタデータ） (2023-02-04T01:32:40Z)
• Bridging the Gap to Real-World Object-Centric Learning [66.55867830853803]
  自己教師付き方法で訓練されたモデルから特徴を再構成することは、完全に教師なしの方法でオブジェクト中心表現が生じるための十分な訓練信号であることを示す。 我々のアプローチであるDINOSAURは、シミュレーションデータ上で既存のオブジェクト中心学習モデルよりも大幅に優れています。
  論文  参考訳（メタデータ） (2022-09-29T15:24:47Z)
• A Deep Learning Approach to Analyzing Continuous-Time Systems [20.89961728689037]
  深層学習が複雑なプロセスの解析に有効であることを示す。 提案手法は,多くの自然系に対して不可解な標準的な仮定を緩和する。 行動・神経画像データに顕著な改善が認められた。
  論文  参考訳（メタデータ） (2022-09-25T03:02:31Z)
• Transferring Chemical and Energetic Knowledge Between Molecular Systems with Machine Learning [5.27145343046974]
  本稿では,単純な分子システムから得られた知識をより複雑なものに伝達するための新しい手法を提案する。 我々は、高低自由エネルギー状態の分類に焦点をあてる。 以上の結果より, トリアラニンからデカアラニン系への移行学習において, 0.92 の顕著な AUC が得られた。
  論文  参考訳（メタデータ） (2022-05-06T16:21:00Z)
• GEM: Group Enhanced Model for Learning Dynamical Control Systems [78.56159072162103]
  サンプルベースの学習が可能な効果的なダイナミクスモデルを構築します。 リー代数ベクトル空間上のダイナミクスの学習は、直接状態遷移モデルを学ぶよりも効果的であることを示す。 この研究は、ダイナミクスの学習とリー群の性質の関連性を明らかにし、新たな研究の方向への扉を開く。
  論文  参考訳（メタデータ） (2021-04-07T01:08:18Z)
• Deep learning reveals hidden interactions in complex systems [0.0]
  AgentNetは、複雑なシステムに隠されたインタラクションを明らかにするために、ディープニューラルネットワークで構成されるモデルフリーのデータ駆動フレームワークである。 鳥の群れから得られた実証データにより、AgentNetは本物の鳥が提示する隠れた相互作用範囲を特定できることを示した。
  論文  参考訳（メタデータ） (2020-01-03T02:25:50Z)

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。