論文の概要: SymFlux: deep symbolic regression of Hamiltonian vector fields

• arxiv url: http://arxiv.org/abs/2507.06342v1
• Date: Tue, 08 Jul 2025 19:07:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-10 17:37:43.364129
• Title: SymFlux: deep symbolic regression of Hamiltonian vector fields
• Title（参考訳）: SymFlux: ハミルトンベクトル場の深い記号回帰
• Authors: M. A. Evangelista-Alvarado, P. Suárez-Serrato,
• Abstract要約: 標準シンプレクティック平面上の対応するベクトル場からハミルトン関数を識別するシンボリック回帰を行う新しいディープラーニングフレームワークであるSymFluxを提案する。 本結果は,これらの記号表現を正確に復元し,ハミルトン力学における自動発見を推し進めるモデルの有効性を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We present SymFlux, a novel deep learning framework that performs symbolic regression to identify Hamiltonian functions from their corresponding vector fields on the standard symplectic plane. SymFlux models utilize hybrid CNN-LSTM architectures to learn and output the symbolic mathematical expression of the underlying Hamiltonian. Training and validation are conducted on newly developed datasets of Hamiltonian vector fields, a key contribution of this work. Our results demonstrate the model's effectiveness in accurately recovering these symbolic expressions, advancing automated discovery in Hamiltonian mechanics.
• Abstract（参考訳）: 標準シンプレクティック平面上の対応するベクトル場からハミルトン関数を識別するシンボリック回帰を行う新しいディープラーニングフレームワークであるSymFluxを提案する。 SymFluxモデルは、ハイブリッドCNN-LSTMアーキテクチャを使用して、基礎となるハミルトニアンの記号数学的表現を学習し、出力する。 ハミルトンベクトル場の新たに開発されたデータセット上で、トレーニングと検証が行われ、この研究の重要な貢献となる。 本結果は,これらの記号表現を正確に復元し,ハミルトン力学における自動発見を推し進めるモデルの有効性を示す。

関連論文リスト

• Hamiltonian Matching for Symplectic Neural Integrators [9.786274281068815]
  ハミルトンの運動方程式は、天文学、量子力学、粒子物理学、気候科学など、物理学の様々な分野における基本的な枠組みを形成している。古典的な数値解法は通常、これらの系の時間発展を計算するために用いられる。 パラメトリック時間依存ハミルトニアン関数の正確なフローマップの列を構成するニューラルネットワークに基づく新しいシンプレクティックインテグレータであるSympFlowを提案する。
  論文  参考訳（メタデータ） (2024-10-23T20:21:56Z)
• SpaceMesh: A Continuous Representation for Learning Manifold Surface Meshes [61.110517195874074]
  本稿では,ニューラルネットワークの出力として,複雑な接続性を持つ多様体多角形メッシュを直接生成する手法を提案する。 私たちの重要なイノベーションは、各メッシュで連続的な遅延接続空間を定義することです。 アプリケーションでは、このアプローチは生成モデルから高品質な出力を得るだけでなく、メッシュ修復のような挑戦的な幾何処理タスクを直接学習することを可能にする。
  論文  参考訳（メタデータ） (2024-09-30T17:59:03Z)
• Symplectic Neural Networks Based on Dynamical Systems [0.0]
  我々はハミルトン微分方程式の幾何に基づくシンプレクティックニューラルネットワーク(SympNets)のフレームワークを提案し,解析する。 SympNets はハミルトン微分同相空間の普遍近似子であり、解釈可能であり、非消滅性を持つ。
  論文  参考訳（メタデータ） (2024-08-19T09:18:28Z)
• Mapping Molecular Hamiltonians into Hamiltonians of Modular cQED Processors [50.893896302254944]
  本稿では,任意のモデル系のハミルトニアンを回路量子力学(cQED)プロセッサのハミルトニアンにマッピングする方法を提案する。 この方法は、Fenna-Matthews-Olson錯体の量子力学シミュレーションと電荷移動のスピン-ボソンモデルに適用される。
  論文  参考訳（メタデータ） (2023-06-10T04:52:58Z)
• 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)
• Hamiltonian Neural Networks with Automatic Symmetry Detection [0.0]
  ハミルトニアンニューラルネットワーク(HNN)は、以前の物理知識を組み込むために導入された。 我々は、ニューラルネットワークに対称性を検出し、埋め込むために、Lie代数フレームワークを用いてHNNを強化した。
  論文  参考訳（メタデータ） (2023-01-19T07:34:57Z)
• Symplectically Integrated Symbolic Regression of Hamiltonian Dynamical Systems [11.39873640706974]
  シンプレクティック統合シンボリック回帰(SISR)は、データから物理支配方程式を学ぶための新しいテクニックである。 SISRは多層LSTM-RNNを用いて、確率的にハミルトン記号表現をサンプリングする。
  論文  参考訳（メタデータ） (2022-09-04T03:17:40Z)
• Learning Trajectories of Hamiltonian Systems with Neural Networks [81.38804205212425]
  本稿では,モデル系の連続時間軌跡を推定し,ハミルトニアンニューラルネットワークを強化することを提案する。 提案手法は, 低サンプリング率, ノイズ, 不規則な観測において, HNNに対して有効であることを示す。
  論文  参考訳（メタデータ） (2022-04-11T13:25:45Z)
• Closed Loop Neural-Symbolic Learning via Integrating Neural Perception, Grammar Parsing, and Symbolic Reasoning [134.77207192945053]
  従来の手法は強化学習アプローチを用いてニューラルシンボリックモデルを学ぶ。 我々は,脳神経知覚と記号的推論を橋渡しする前に,textbfgrammarモデルをテキストシンボリックとして導入する。 本稿では,トップダウンのヒューマンライクな学習手順を模倣して誤りを伝播する新しいtextbfback-searchアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-11T17:42:49Z)

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。