論文の概要: Using Deep Operators to Create Spatio-temporal Surrogates for Dynamical Systems under Uncertainty

• arxiv url: http://arxiv.org/abs/2506.11761v1
• Date: Fri, 13 Jun 2025 13:16:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-16 17:50:49.802786
• Title: Using Deep Operators to Create Spatio-temporal Surrogates for Dynamical Systems under Uncertainty
• Title（参考訳）: 深部演算子を用いた不確かさ下での動的システムのための時空間サロゲートの生成
• Authors: Jichuan Tang, Patrick T. Brewick, Ryan G. McClarren, Christopher Sweet,
• Abstract要約: 本研究では,Deep演算子ネットワーク(DeepONets)の新たな変種としてフルフィールド拡張DeepONet(FExD)を提案する。 提案したFExDはより優れた精度と計算効率を達成でき、構造力学応用のための演算子学習の大幅な進歩を示す。
• 参考スコア（独自算出の注目度）: 0.4499833362998487
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spatio-temporal data, which consists of responses or measurements gathered at different times and positions, is ubiquitous across diverse applications of civil infrastructure. While SciML methods have made significant progress in tackling the issue of response prediction for individual time histories, creating a full spatial-temporal surrogate remains a challenge. This study proposes a novel variant of deep operator networks (DeepONets), namely the full-field Extended DeepONet (FExD), to serve as a spatial-temporal surrogate that provides multi-output response predictions for dynamical systems. The proposed FExD surrogate model effectively learns the full solution operator across multiple degrees of freedom by enhancing the expressiveness of the branch network and expanding the predictive capabilities of the trunk network. The proposed FExD surrogate is deployed to simultaneously capture the dynamics at several sensing locations along a testbed model of a cable-stayed bridge subjected to stochastic ground motions. The ensuing response predictions from the FExD are comprehensively compared against both a vanilla DeepONet and a modified spatio-temporal Extended DeepONet. The results demonstrate the proposed FExD can achieve both superior accuracy and computational efficiency, representing a significant advancement in operator learning for structural dynamics applications.
• Abstract（参考訳）: 時空間データは、異なる時間と位置で収集された応答や測定から成り、土木インフラの様々な用途にまたがる。 SciML法は、個々の時間履歴に対する応答予測の問題に対処する上で大きな進歩を遂げてきたが、完全な時空間サロゲートを作成することは依然として課題である。 本研究では,Deep演算子ネットワーク(DeepONets)の新たな変種としてフルフィールド拡張DeepONet(FExD)を提案する。 提案したFExDサロゲートモデルは,分岐ネットワークの表現性を向上し,トランクネットワークの予測能力を拡張することにより,複数自由度にわたる完全な解演算子を効果的に学習する。 提案するFExDサロゲートは, ケーブルステイド橋の試験床モデルに沿って, 複数位置の動的挙動を同時に捉えるために配置される。 FExDからの応答予測は、バニラDeepONetと修正時空間拡張DeepONetとを総合的に比較する。 提案したFExDは、構造力学応用における演算子学習の大幅な進歩を示すため、精度と計算効率の両方を向上できることを示した。

関連論文リスト

• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [55.09326865401653]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• PMNO: A novel physics guided multi-step neural operator predictor for partial differential equations [23.04840527974364]
  本稿では,複雑な物理系の長期予測における課題に対処する物理誘導多段階ニューラル演算子(PMNO)アーキテクチャを提案する。 PMNOフレームワークは、シングルステップ入力をフォワードパス内の複数ステップの履歴データに置き換え、バックプロパゲーション中に暗黙のタイムステッピングスキームを導入する。 様々な物理系におけるPMNO予測器の優れた予測性能を示す。
  論文  参考訳（メタデータ） (2025-06-02T12:33:50Z)
• Latent Diffusion Planning for Imitation Learning [78.56207566743154]
  Latent Diffusion Planning (LDP) は、プランナーと逆ダイナミクスモデルからなるモジュラーアプローチである。 行動予測からプランニングを分離することにより、LDPは最適なデータと行動自由データのより密集した監視信号の恩恵を受けることができる。 シミュレーションされた視覚ロボット操作タスクにおいて、LDPは最先端の模倣学習アプローチより優れている。
  論文  参考訳（メタデータ） (2025-04-23T17:53:34Z)
• Dense ReLU Neural Networks for Temporal-spatial Model [13.8173644075917]
  非パラメトリック推定にRectified Linear Unit (ReLU) アクティベーション機能を利用する完全接続深層ニューラルネットワークに着目する。 我々は、観測された測定における時間的および空間的依存に対処するため、収束率につながる非漸近境界を導出する。 我々はまた、多様体上のデータをモデル化し、高次元データの本質的な次元性を探求することで、次元性の呪いに取り組む。
  論文  参考訳（メタデータ） (2024-11-15T05:30:36Z)
• Adapting to Length Shift: FlexiLength Network for Trajectory Prediction [53.637837706712794]
  軌道予測は、自律運転、ロボット工学、シーン理解など、様々な応用において重要な役割を果たしている。 既存のアプローチは主に、一般に標準入力時間を用いて、公開データセットの予測精度を高めるために、コンパクトなニューラルネットワークの開発に重点を置いている。 本稿では,様々な観測期間に対する既存の軌道予測の堅牢性を高めるための,汎用的で効果的なフレームワークFlexiLength Network(FLN)を紹介する。
  論文  参考訳（メタデータ） (2024-03-31T17:18:57Z)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)
• 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)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)

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。