論文の概要: Data Driven Discovery of Emergent Dynamics in Reaction Diffusion Systems from Sparse and Noisy Observations

• arxiv url: http://arxiv.org/abs/2509.09278v1
• Date: Thu, 11 Sep 2025 09:08:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-12 16:52:24.309351
• Title: Data Driven Discovery of Emergent Dynamics in Reaction Diffusion Systems from Sparse and Noisy Observations
• Title（参考訳）: スパース・ノイズ観測による反応拡散系の創発的ダイナミクスのデータの発見
• Authors: Saumitra Dwivedi, Ricardo da Silva Torres, Ibrahim A. Hameed, Gunnar Tufte, Anniken Susanne T. Karlsen,
• Abstract要約: 発見プロセスにおける現在の課題は、基礎となる物理に関する事前の知識がない場合のシステム同定に関係している。 我々は,エージェントベースやセルラーオートマタ(CA)モデルなどのソフト人工生命(Soft ALife)モデルを,反応拡散系の観測データから学習することで,この問題に対処しようとしている。 実験結果から, 学習モデルでは, 創発的ダイナミクスを高精度(74%)で予測でき, ガウス雑音や時間空間の影響を受ければ, 極めて頑健な性能を示すことがわかった。
• 参考スコア（独自算出の注目度）: 5.223451810947908
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data-driven discovery of emergent dynamics is gaining popularity, particularly in the context of reaction-diffusion systems. These systems are widely studied across various fields, including neuroscience, ecology, epidemiology, and several other subject areas that deal with emergent dynamics. A current challenge in the discovery process relates to system identification when there is no prior knowledge of the underlying physics. We attempt to address this challenge by learning Soft Artificial Life (Soft ALife) models, such as Agent-based and Cellular Automata (CA) models, from observed data for reaction-diffusion systems. In this paper, we present findings on the applicability of a conceptual framework, the Data-driven Rulesets for Soft Artificial Life (DRSALife) model, to learn Soft ALife rulesets that accurately represent emergent dynamics in a reaction-diffusion system from observed data. This model has demonstrated promising results for Elementary CA Rule 30, Game of Life, and Vicsek Flocking problems in recent work. To our knowledge, this is one of the few studies that explore machine-based Soft ALife ruleset learning and system identification for reaction-diffusion dynamics without any prior knowledge of the underlying physics. Moreover, we provide comprehensive findings from experiments investigating the potential effects of using noisy and sparse observed datasets on learning emergent dynamics. Additionally, we successfully identify the structure and parameters of the underlying partial differential equations (PDEs) representing these dynamics. Experimental results demonstrate that the learned models are able to predict the emergent dynamics with good accuracy (74%) and exhibit quite robust performance when subjected to Gaussian noise and temporal sparsity.
• Abstract（参考訳）: データ駆動による創発的ダイナミクスの発見は、特に反応拡散系の文脈で人気が高まっている。 これらのシステムは、神経科学、生態学、疫学、および創発的ダイナミクスを扱ういくつかの分野を含む様々な分野で広く研究されている。 発見プロセスにおける現在の課題は、基礎となる物理に関する事前の知識がない場合のシステム同定に関係している。 我々は,エージェントベースやセルラーオートマタ(CA)モデルなどのソフト人工生命(Soft ALife)モデルを,反応拡散系の観測データから学習することで,この問題に対処しようとしている。 本稿では, ソフト人工生命のためのデータ駆動ルールセット (DRSALife) モデルを用いて, 観測データから反応拡散系の創発的ダイナミクスを正確に表現するソフトALifeルールセットを学習する。 このモデルは,最近の研究におけるCAルール30,ゲーム・オブ・ライフ,ヴィエク・フロッキングの問題に対して有望な結果を示した。 我々の知る限り、これは機械ベースのSoft ALifeルールセット学習と反応拡散力学のシステム同定を基礎物理学の事前知識なしで探求する数少ない研究の1つである。 さらに, ノイズおよびスパース観測データを用いた学習創発的ダイナミクスの学習効果について検討した実験から, 包括的知見を得た。 さらに,これらの力学を表わす偏微分方程式(PDE)の構造とパラメータの同定に成功した。 実験結果から, 学習モデルでは, 創発的ダイナミクスを高精度(74%)で予測でき, ガウス雑音や時間空間の影響を受ければ, 極めて頑健な性能を示すことがわかった。

関連論文リスト

• SINDyG: Sparse Identification of Nonlinear Dynamical Systems from Graph-Structured Data, with Applications to Stuart-Landau Oscillator Networks [0.27624021966289597]
  グラフ構造化データ(SINDyG)から動的システムのスパース同定法を開発した。 SINDyGはネットワーク構造をスパース回帰に組み込んで、基礎となるネットワーク力学を説明するモデルパラメータを識別する。 本実験は, ネットワーク力学の精度向上と簡易性を検証した。
  論文  参考訳（メタデータ） (2024-09-02T17:51:37Z)
• Learning System Dynamics without Forgetting [60.08612207170659]
  本研究では,CDL(Continuous Dynamics Learning)の問題,タスク構成の検証,既存手法の適用性について検討する。 本稿では、LG-ODEとサブネットワーク学習の長所をモデムスイッチングモジュールと統合したモードスイッチンググラフODE(MS-GODE)モデルを提案する。 CDLのための生体動態システムの新しいベンチマーク、Bio-CDLを構築し、異なるダイナミクスを持つ多様なシステムを特徴付ける。
  論文  参考訳（メタデータ） (2024-06-30T14:55:18Z)
• 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)
• Learning Fine Scale Dynamics from Coarse Observations via Inner Recurrence [0.0]
  最近の研究は、ディープニューラルネットワーク(DNN)による未知のシステムの進化に関するデータ駆動学習に焦点を当てている。 本稿では,このような粗い観測データから微細な力学を学習するための計算手法を提案する。
  論文  参考訳（メタデータ） (2022-06-03T20:28:52Z)
• 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)
• Learning continuous models for continuous physics [94.42705784823997]
  本研究では,科学技術応用のための機械学習モデルを検証する数値解析理論に基づくテストを開発する。 本研究は,従来のMLトレーニング/テスト手法と一体化して,科学・工学分野におけるモデルの検証を行う方法である。
  論文  参考訳（メタデータ） (2022-02-17T07:56:46Z)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• Constructing Neural Network-Based Models for Simulating Dynamical Systems [59.0861954179401]
  データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。 本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。 基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
  論文  参考訳（メタデータ） (2021-11-02T10:51:42Z)

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。