論文の概要: Identifiable learning of dissipative dynamics

• arxiv url: http://arxiv.org/abs/2510.24160v1
• Date: Tue, 28 Oct 2025 07:57:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-29 15:35:36.896426
• Title: Identifiable learning of dissipative dynamics
• Title（参考訳）: 散逸ダイナミクスの識別可能な学習
• Authors: Aiqing Zhu, Beatrice W. Soh, Grigorios A. Pavliotis, Qianxiao Li,
• Abstract要約: I-OnsagerNetは、散逸ダイナミクスを直接トラジェクトリから学習するニューラルネットワークフレームワークである。 I-OnsagerNetはOnsagerの原理を拡張して、学習されたポテンシャルが定常密度から得られることを保証している。 このアプローチはエントロピーの生成を計算し、不可逆性を定量化し、平衡から逸脱を検出し定量化する原則的な方法を提供する。
• 参考スコア（独自算出の注目度）: 25.409059056398124
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Complex dissipative systems appear across science and engineering, from polymers and active matter to learning algorithms. These systems operate far from equilibrium, where energy dissipation and time irreversibility are key to their behavior, but are difficult to quantify from data. Learning accurate and interpretable models of such dynamics remains a major challenge: the models must be expressive enough to describe diverse processes, yet constrained enough to remain physically meaningful and mathematically identifiable. Here, we introduce I-OnsagerNet, a neural framework that learns dissipative stochastic dynamics directly from trajectories while ensuring both interpretability and uniqueness. I-OnsagerNet extends the Onsager principle to guarantee that the learned potential is obtained from the stationary density and that the drift decomposes cleanly into time-reversible and time-irreversible components, as dictated by the Helmholtz decomposition. Our approach enables us to calculate the entropy production and to quantify irreversibility, offering a principled way to detect and quantify deviations from equilibrium. Applications to polymer stretching in elongational flow and to stochastic gradient Langevin dynamics reveal new insights, including super-linear scaling of barrier heights and sub-linear scaling of entropy production rates with the strain rate, and the suppression of irreversibility with increasing batch size. I-OnsagerNet thus establishes a general, data-driven framework for discovering and interpreting non-equilibrium dynamics.
• Abstract（参考訳）: 複雑な散逸系は、高分子や活性物質から学習アルゴリズムまで、科学や工学にまたがって現れる。 これらのシステムは、エネルギーの散逸と時間の不可逆性が彼らの行動の鍵であるが、データから定量化することは困難である平衡から遠く離れている。 このような力学の正確で解釈可能なモデルを学ぶことは大きな課題であり、モデルは様々なプロセスを記述するのに十分な表現力を持つ必要があるが、物理的に意味があり数学的に識別できる程度に制約される必要がある。 本稿では,散逸的確率力学を直接軌跡から学習するニューラルネットワークフレームワークであるI-OnsagerNetを紹介する。 I-OnsagerNet は Onsager の原理を拡張して、学習したポテンシャルが定常密度から得られ、ドリフトがヘルムホルツ分解によって予測される時間可逆成分と時間可逆成分にきれいに分解されることを保証する。 このアプローチはエントロピーの生成を計算し、不可逆性を定量化し、平衡から逸脱を検出し定量化する原則的な方法を提供する。 エントロピー生成速度のひずみ速度による超直線スケーリング,エントロピー生成速度のサブ線形スケーリング,バッチサイズの増加に伴う可逆性の抑制など,伸長流におけるポリマー伸張と確率勾配のランゲヴィン力学への応用が明らかにされた。 したがって、I-OnsagerNetは非平衡力学を発見し、解釈するための一般的なデータ駆動フレームワークを確立する。

関連論文リスト

• Is memory all you need? Data-driven Mori-Zwanzig modeling of Lagrangian particle dynamics in turbulent flows [38.33325744358047]
  本研究では,乱流ラグランジアン軌道を短時間の予測に適した精度で発展させることのできる代理力学系をいかに学習できるかを示す。 これにより、例えば乱流における活性ラグランジアン剤の制御など、様々な新しい応用が開かれる。
  論文  参考訳（メタデータ） (2025-07-21T20:50:55Z)
• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• Generative System Dynamics in Recurrent Neural Networks [56.958984970518564]
  リカレントニューラルネットワーク(RNN)の連続時間ダイナミクスについて検討する。 線形および非線形構成の両方において安定な極限サイクルを実現するためには,スキュー対称性の重み行列が基本であることを示す。 数値シミュレーションは、非線形活性化関数が極限周期を維持するだけでなく、システム統合プロセスの数値安定性を高めることを示す。
  論文  参考訳（メタデータ） (2025-04-16T10:39:43Z)
• Model-free learning of probability flows: Elucidating the nonequilibrium dynamics of flocking [15.238808518078567]
  位相空間の高次元性は、エントロピー生成速度を推定できない伝統的な計算技術を示す。 慣性系に対する確率電流とEPRの2つの局所的定義との間に新しい物理的関係を導出する。 この結果から,アライメントと揺らぎの相互作用が順番を動的に生成・消滅させるため,群れの空間的界面でエントロピーが消費されることが示唆された。
  論文  参考訳（メタデータ） (2024-11-21T17:08:06Z)
• An optimization-based equilibrium measure describes non-equilibrium steady state dynamics: application to edge of chaos [2.5690340428649328]
  神経力学を理解することは、機械学習、非線形物理学、神経科学において中心的なトピックである。 力学は非線形であり、特に非勾配、すなわち駆動力はポテンシャルの勾配として書けない。
  論文  参考訳（メタデータ） (2024-01-18T14:25:32Z)
• Dynamics with autoregressive neural quantum states: application to critical quench dynamics [41.94295877935867]
  本稿では、量子系の長時間のダイナミクスを安定的に捉えるための代替の汎用スキームを提案する。 二次元量子イジングモデルにおけるキブル・ズレーク機構の解明により,時間依存性のクエンチ力学にこのスキームを適用した。
  論文  参考訳（メタデータ） (2022-09-07T15:50:00Z)
• Structure-Preserving Learning Using Gaussian Processes and Variational Integrators [62.31425348954686]
  本稿では,機械系の古典力学に対する変分積分器と,ガウス過程の回帰による残留力学の学習の組み合わせを提案する。 我々は、既知のキネマティック制約を持つシステムへのアプローチを拡張し、予測の不確実性に関する公式な境界を提供する。
  論文  参考訳（メタデータ） (2021-12-10T11:09:29Z)
• Physics-aware, probabilistic model order reduction with guaranteed stability [0.0]
  実効, 低次元, 粗粒度ダイナミクスモデル学習のための生成的枠組みを提案する。 粒子力学のマルチスケール物理系におけるその有効性と精度を実証する。
  論文  参考訳（メタデータ） (2021-01-14T19:16:51Z)
• 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。