論文の概要: Variational Neural Networks for Observable Thermodynamics (V-NOTS)

• arxiv url: http://arxiv.org/abs/2509.09899v1
• Date: Thu, 11 Sep 2025 23:22:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-15 16:03:07.946007
• Title: Variational Neural Networks for Observable Thermodynamics (V-NOTS)
• Title（参考訳）: 可観測熱力学(V-NOTS)のための変分ニューラルネットワーク
• Authors: Christopher Eldred, François Gay-Balmaz, Vakhtang Putkaradze,
• Abstract要約: 我々は、観測可能な変数のみに基づく効率的なデータベースの計算フレームワークを開発する。 我々のネットワークは, 限られたデータ点数と比較的少数のパラメータに基づいて, 位相空間の進化を効率的に記述できることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Much attention has recently been devoted to data-based computing of evolution of physical systems. In such approaches, information about data points from past trajectories in phase space is used to reconstruct the equations of motion and to predict future solutions that have not been observed before. However, in many cases, the available data does not correspond to the variables that define the system's phase space. We focus our attention on the important example of dissipative dynamical systems. In that case, the phase space consists of coordinates, momenta and entropies; however, the momenta and entropies cannot, in general, be observed directly. To address this difficulty, we develop an efficient data-based computing framework based exclusively on observable variables, by constructing a novel approach based on the \emph{thermodynamic Lagrangian}, and constructing neural networks that respect the thermodynamics and guarantees the non-decreasing entropy evolution. We show that our network can provide an efficient description of phase space evolution based on a limited number of data points and a relatively small number of parameters in the system.
• Abstract（参考訳）: 最近、物理システムの進化に関するデータベースの計算に多くの注意が向けられている。 このようなアプローチでは、位相空間における過去の軌跡からのデータポイントに関する情報は、運動方程式を再構成し、これまで観測されたことのない将来の解を予測するために用いられる。 しかし、多くの場合、利用可能なデータはシステムの位相空間を定義する変数に対応しない。 我々は、散逸的力学系の重要な例に注目している。 この場合、位相空間は座標、モータ、エントロピーから構成されるが、モータとエントロピーは一般に直接観測することはできない。 この課題に対処するため,観測可能変数のみに基づく効率的なデータベースの計算フレームワークを開発し,熱力学を尊重し,非減少エントロピー進化を保証するニューラルネットワークの構築を行った。 我々のネットワークは, 限られたデータ点数と比較的少数のパラメータに基づいて, 位相空間の進化を効率的に記述できることを示す。

関連論文リスト

• Information Thermodynamics of Non-Hermitian Quantum Systems [6.974749209754591]
  非エルミート量子系は負のエントロピー生成を示し、情報エンジンの候補となる可能性があることを示す。 また,従来の分割関数の範囲を超えた位相遷移を特徴付ける重要な情報量も同定する。
  論文  参考訳（メタデータ） (2024-08-08T02:47:00Z)
• Neural Incremental Data Assimilation [8.817223931520381]
  ニューラルネットワークによってパラメータ化された粗いガウス分布の列として物理系をモデル化する深層学習手法を提案する。 これにより、再構築エラーを最小限に抑えるためにエンドツーエンドで訓練された同化演算子を定義することができる。 本稿では,疎度観測によるカオス力学系へのアプローチについて述べるとともに,従来の変分データ同化法と比較する。
  論文  参考訳（メタデータ） (2024-06-21T11:42:55Z)
• Assessing Neural Network Representations During Training Using Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
  ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。 データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。 本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
  論文  参考訳（メタデータ） (2023-12-04T01:32:42Z)
• Machine learning in and out of equilibrium [58.88325379746631]
  我々の研究は、統計物理学から適応したフォッカー・プランク法を用いて、これらの平行線を探索する。 我々は特に、従来のSGDでは平衡が切れている長期的限界におけるシステムの定常状態に焦点を当てる。 本稿では,ミニバッチの置き換えを伴わない新しいランゲヴィンダイナミクス(SGLD)を提案する。
  論文  参考訳（メタデータ） (2023-06-06T09:12:49Z)
• Message-Passing Neural Quantum States for the Homogeneous Electron Gas [41.94295877935867]
  連続空間における強相互作用フェルミオンをシミュレートするメッセージパッシング・ニューラルネットワークに基づく波動関数Ansatzを導入する。 等質電子ガスの基底状態を3次元でシミュレーションすることにより,その精度を実証する。
  論文  参考訳（メタデータ） (2023-05-12T04:12:04Z)
• Indication of critical scaling in time during the relaxation of an open quantum system [34.82692226532414]
  相転移は、温度や外部磁場のような連続的な制御パラメータに応答して物理系の特異な振る舞いに対応する。 相関長のばらつきに伴う連続相転移に近づき、顕微鏡システムの詳細とは無関係な臨界指数を持つ普遍的なパワーロースケーリング挙動が発見された。
  論文  参考訳（メタデータ） (2022-08-10T05:59:14Z)
• Space-Time Graph Neural Networks [104.55175325870195]
  本研究では、時空間グラフニューラルネットワーク(ST-GNN)を導入し、時間変動ネットワークデータの時空間トポロジを共同処理する。 解析の結果,システムのネットワークトポロジと時間進化の変動はST-GNNの性能に大きく影響しないことがわかった。
  論文  参考訳（メタデータ） (2021-10-06T16:08:44Z)
• Physics perception in sloshing scenes with guaranteed thermodynamic consistency [0.0]
  自由表面の測定からスロッシング液の完全な状態を知るための戦略を提案する。 我々のアプローチは、リカレントニューラルネットワーク(RNN)に基づいて、低次多様体に利用可能な限られた情報を投影する。
  論文  参考訳（メタデータ） (2021-06-24T20:13:56Z)
• Neural ODE Processes [64.10282200111983]
  NDP(Neural ODE Process)は、Neural ODEの分布によって決定される新しいプロセスクラスである。 我々のモデルは,少数のデータポイントから低次元システムのダイナミクスを捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-03-23T09:32:06Z)
• Deep learning of thermodynamics-aware reduced-order models from data [0.08699280339422537]
  大規模離散化物理系の関連する潜伏変数を学習するアルゴリズムを提案する。 次に、熱力学的に一貫性のあるディープニューラルネットワークを用いて、その時間進化を予測する。
  論文  参考訳（メタデータ） (2020-07-03T08:49:01Z)

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。