論文の概要: BlinDNO: A Distributional Neural Operator for Dynamical System Reconstruction from Time-Label-Free data
- arxiv url: http://arxiv.org/abs/2511.12316v1
- Date: Sat, 15 Nov 2025 18:15:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-18 14:36:23.886238
- Title: BlinDNO: A Distributional Neural Operator for Dynamical System Reconstruction from Time-Label-Free data
- Title（参考訳）: BlinDNO: 時間ラベルフリーデータを用いた動的システム再構築のための分布型ニューラル演算子
- Authors: Zhijun Zeng, Junqing Chen, Zuoqiang Shi,
- Abstract要約: 時間ラベルのない環境で量子力学系の逆問題について検討する。
マルチスケールなU-Netエンコーダとアテンションベースのミキサーを統合した置換不変アーキテクチャであるBlinDNOを提案する。
- 参考スコア（独自算出の注目度）: 6.810595986800653
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We study an inverse problem for stochastic and quantum dynamical systems in a time-label-free setting, where only unordered density snapshots sampled at unknown times drawn from an observation-time distribution are available. These observations induce a distribution over state densities, from which we seek to recover the parameters of the underlying evolution operator. We formulate this as learning a distribution-to-function neural operator and propose BlinDNO, a permutation-invariant architecture that integrates a multiscale U-Net encoder with an attention-based mixer. Numerical experiments on a wide range of stochastic and quantum systems, including a 3D protein-folding mechanism reconstruction problem in a cryo-EM setting, demonstrate that BlinDNO reliably recovers governing parameters and consistently outperforms existing neural inverse operator baselines.
- Abstract（参考訳）: 観測時間分布から抽出された未知の時間でサンプリングされた無秩序密度スナップショットのみを利用できる時間ラベルのない環境で確率力学系と量子力学系の逆問題について検討する。
これらの観測は状態密度の分布を誘導し、そこから基底となる進化作用素のパラメータを復元する。
本稿では,分散-関数型ニューラル演算子の学習としてこれを定式化し,マルチスケールなU-Netエンコーダとアテンションベースのミキサーを統合した置換不変アーキテクチャであるBlinDNOを提案する。
3次元タンパク質折り畳み機構再構築問題を含む幅広い確率的および量子システムに関する数値実験は、BlinDNOが制御パラメータを確実に回復し、既存の神経逆演算子ベースラインを一貫して上回ることを示した。
関連論文リスト
- Neural Network Solution of Non-Markovian Quantum State Diffusion and Operator Construction of Quantum Stochastic Process [3.0101350159167537]
非マルコフ量子状態拡散は、オープン量子系をモデル化するための波動関数に基づくフレームワークを提供する。
本稿では,演算子構築アルゴリズムに基づく新しい機械学習手法を提案する。
論文 参考訳（メタデータ） (2025-09-01T01:14:57Z) - Learning Stochastic Hamiltonian Systems via Stochastic Generating Function Neural Network [4.43407215715316]
生成関数ネットワーク(SGFNN)と呼ばれる観測データからハミルトン系(SHS)を学習するための新しいニューラルネットワークモデルを提案する。
SGFNNはハミルトン系のシンプレクティック構造を保持し、シンプレクティック予測を生成する。
ベンチマークニューラルフローマップ学習(SFML)ニューラルネットワークと比較して、SGFNNモデルは様々な予測指標で高い精度を示す。
論文 参考訳（メタデータ） (2025-07-19T03:59:04Z) - A Simple Approximate Bayesian Inference Neural Surrogate for Stochastic Petri Net Models [0.0]
後部分布フレームワークのニューラルネットワークに基づく近似を導入する。
我々のモデルは、Gilespie-simulated SPN realizations上で訓練された1D Convolutional Residual Networkを使用する。
20%の欠落事象を持つ合成SPNでは, RMSE = 0.108で速度関数係数を回復し, 従来のベイズ手法よりもかなり高速に動作する。
論文 参考訳（メタデータ） (2025-07-14T18:31:19Z) - 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) - 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) - Markov Neural Operators for Learning Chaotic Systems [40.256994804214315]
カオスシステムは不安定性のために予測が難しいことで知られている。
局所的なワンステップ進化情報しか持たないマルコフニューラル演算子を訓練する。
次に、学習作用素を構成して、大域的アトラクタおよび不変測度を得る。
論文 参考訳（メタデータ） (2021-06-13T02:24:50Z) - Consistency of mechanistic causal discovery in continuous-time using
Neural ODEs [85.7910042199734]
ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。
本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-05-06T08:48:02Z) - System identification using Bayesian neural networks with nonparametric
noise models [0.0]
離散時間非線形ランダムダイナミクス系におけるシステム同定のための非パラメトリックアプローチを提案する。
後部推論用ギブスサンプリング器を提案し, シミュレーションおよび実時間時系列でその有効性を示した。
論文 参考訳（メタデータ） (2021-04-25T09:49:50Z) - 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) - Coupled Oscillatory Recurrent Neural Network (coRNN): An accurate and
(gradient) stable architecture for learning long time dependencies [15.2292571922932]
本稿では,リカレントニューラルネットワークのための新しいアーキテクチャを提案する。
提案するRNNは, 2次常微分方程式系の時間分解に基づく。
実験の結果,提案したRNNは,様々なベンチマークによる最先端技術に匹敵する性能を示した。
論文 参考訳（メタデータ） (2020-10-02T12:35:04Z) - Lipschitz Recurrent Neural Networks [100.72827570987992]
我々のリプシッツ再帰ユニットは、他の連続時間RNNと比較して、入力やパラメータの摂動に対してより堅牢であることを示す。
実験により,Lipschitz RNNは,ベンチマークタスクにおいて,既存のリカレントユニットよりも優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2020-06-22T08:44:52Z)
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。