論文の概要: Self-induced stochastic resonance: A physics-informed machine learning approach

• arxiv url: http://arxiv.org/abs/2510.22848v1
• Date: Sun, 26 Oct 2025 21:49:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:15.393934
• Title: Self-induced stochastic resonance: A physics-informed machine learning approach
• Title（参考訳）: 自己誘発性確率共鳴:物理インフォームド機械学習アプローチ
• Authors: Divyesh Savaliya, Marius E. Yamakou,
• Abstract要約: 自己誘発共鳴(英: Self-induced resonance, SISR)は、ノイズのみによって駆動される励起系におけるコヒーレント振動の出現である。 本研究は、フィッツヒューニューロンにおけるSISRのモデリングと予測のための物理インフォームド機械学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Self-induced stochastic resonance (SISR) is the emergence of coherent oscillations in slow-fast excitable systems driven solely by noise, without external periodic forcing or proximity to a bifurcation. This work presents a physics-informed machine learning framework for modeling and predicting SISR in the stochastic FitzHugh-Nagumo neuron. We embed the governing stochastic differential equations and SISR-asymptotic timescale-matching constraints directly into a Physics-Informed Neural Network (PINN) based on a Noise-Augmented State Predictor architecture. The composite loss integrates data fidelity, dynamical residuals, and barrier-based physical constraints derived from Kramers' escape theory. The trained PINN accurately predicts the dependence of spike-train coherence on noise intensity, excitability, and timescale separation, matching results from direct stochastic simulations with substantial improvements in accuracy and generalization compared with purely data-driven methods, while requiring significantly less computation. The framework provides a data-efficient and interpretable surrogate model for simulating and analyzing noise-induced coherence in multiscale stochastic systems.
• Abstract（参考訳）: 自己誘発性確率共鳴(英: Self-induced stochastic resonance, SISR)は、外的周期的な強制や分岐に近接することなく、ノイズのみによって駆動される低速励起系におけるコヒーレント振動の出現である。 本研究は、確率論的FitzHugh-NagumoニューロンにおけるSISRのモデリングと予測のための物理インフォームド機械学習フレームワークを提案する。 本研究は,確率微分方程式とSISRの漸近的時間スケールマッチング制約を直接,ノイズ拡張状態予測アーキテクチャに基づく物理情報ニューラルネットワーク(PINN)に埋め込む。 この複合損失は、クラマーズの脱出理論から導かれたデータ忠実性、動的残留、およびバリアに基づく物理的制約を統合する。 トレーニングされたPINNは、ノイズ強度、興奮性、時間スケールの分離に対するスパイクトレインのコヒーレンス(英語版)の依存性を正確に予測し、直接確率シミュレーションの結果と、純粋にデータ駆動の手法と比較して精度と一般化を大幅に改善し、計算を著しく少なくする。 このフレームワークは、マルチスケール確率システムにおけるノイズ誘発コヒーレンスをシミュレートし解析するための、データ効率と解釈可能なサロゲートモデルを提供する。

関連論文リスト

• Reframing Generative Models for Physical Systems using Stochastic Interpolants [45.16806809746592]
  生成モデルは物理系の強力なサロゲートとして現れ、精度、安定性、および/または統計的忠実度が向上した。 ほとんどのアプローチは、PDEや気候などの力学系における自己回帰予測タスクにおいて、最も効果的でない選択であるガウシアンを反復的に飾ることに依存している。 本研究では,様々な物理領域やタスクにまたがる生成モデルをベンチマークし,補間剤の役割を強調した。
  論文  参考訳（メタデータ） (2025-09-30T14:02:00Z)
• Discovering Governing Equations in the Presence of Uncertainty [11.752763800308276]
  本研究では, 力学系を基礎とする支配方程式を一貫して発見する鍵として, 測定ノイズとともに, システムの変動性を考慮した説明が重要であることを理論的に論じる。 SIPは、スパース同定ダイナミクス(SINDy)とその変種に対する平均82%の正方程式を一貫して同定することを示した。
  論文  参考訳（メタデータ） (2025-07-13T18:31:25Z)
• Data-Driven Reconstruction and Characterization of Stochastic Dynamics via Dynamical Mode Decomposition [0.0]
  ノイズは古典力学系と量子力学系の性能と予測能力を制限する。 本稿では,動的モード分解(Dynamical Mode Decomposition, DMD)に基づく一般的なデータ駆動型フレームワークを提案する。 この手法は、複雑なシステムの診断、予測、ノイズ緩和分析、制御に広く応用できるツールを提供する。
  論文  参考訳（メタデータ） (2025-07-08T08:59:06Z)
• Flow Matching Meets PDEs: A Unified Framework for Physics-Constrained Generation [21.321570407292263]
  本稿では,PDE残差と代数的関係の両方の物理制約をフローマッチングの対象に組み込む生成フレームワークである物理ベースフローマッチングを提案する。 提案手法では,FMよりも高精度な物理残差を最大8倍に抑えながら,分布精度では既存アルゴリズムよりも明らかに優れていることを示す。
  論文  参考訳（メタデータ） (2025-06-10T09:13:37Z)
• 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)
• Stabilizing Machine Learning Prediction of Dynamics: Noise and Noise-inspired Regularization [58.720142291102135]
  近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。 緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。 トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
  論文  参考訳（メタデータ） (2022-11-09T23:40:52Z)
• A Causality-Based Learning Approach for Discovering the Underlying Dynamics of Complex Systems from Partial Observations with Stochastic Parameterization [1.2882319878552302]
  本稿では,部分的な観測を伴う複雑な乱流系の反復学習アルゴリズムを提案する。 モデル構造を識別し、観測されていない変数を復元し、パラメータを推定する。 数値実験により、新しいアルゴリズムはモデル構造を同定し、多くの複雑な非線形系に対して適切なパラメータ化を提供することに成功した。
  論文  参考訳（メタデータ） (2022-08-19T00:35:03Z)
• Noisy Recurrent Neural Networks [45.94390701863504]
  入力データによって駆動される微分方程式の離散化として,隠れ状態に雑音を注入することによって訓練されたリカレントニューラルネットワーク(RNN)について検討する。 合理的な仮定の下では、この暗黙の正則化はより平坦なミニマムを促進し、より安定な力学を持つモデルに偏りを呈し、分類タスクではより大きな分類マージンを持つモデルを好む。 本理論は, 各種入力摂動に対するロバスト性の向上と, 最先端性能の維持を両立させる実証実験により支持された。
  論文  参考訳（メタデータ） (2021-02-09T15:20:50Z)
• 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)
• Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
  経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。 分散による離散乗法雑音のパラメータによく現れることを示す。 最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
  論文  参考訳（メタデータ） (2020-06-11T09:58:01Z)

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。