論文の概要: A neural operator for predicting vibration frequency response curves from limited data

• arxiv url: http://arxiv.org/abs/2603.10149v1
• Date: Tue, 10 Mar 2026 18:34:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-12 16:22:32.656259
• Title: A neural operator for predicting vibration frequency response curves from limited data
• Title（参考訳）: 限られたデータから振動周波数応答曲線を予測するニューラル演算子
• Abstract要約: 振動試験は 動作中の共振周波数と振幅の 性能検証と識別に 不可欠です。 物理に基づく正規化損失関数を使わずに機械学習を用いて動的システムを解くことは困難である。 本研究では、第一原理からの規則化項を使わずに、検査可能な物理的従順性を持つ構造を考案することができる。 このネットワークは、入力条件の小さなセットでトレーニングすることで、システムのグローバルな周波数応答を推測することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In the design of engineered components, rigorous vibration testing is essential for performance validation and identification of resonant frequencies and amplitudes encountered during operation. Performing this evaluation numerically via machine learning has great potential to accelerate design iteration and make testing workflows more efficient. However, dynamical systems are conventionally difficult to solve via machine learning methods without using physics-based regularizing loss functions. To properly perform this forecasting task, a structure that has an inspectable physical obedience can be devised without the use of regularizing terms from first principles. The method employed in this work is a neural operator integrated with an implicit numerical scheme. This architecture enables operators to learn of the underlying state-space dynamics from limited data, allowing generalization to untested driving frequencies and initial conditions. This network can infer the system's global frequency response by training on a small set of input conditions. As a foundational proof of concept, this investigation verifies the machine learning algorithm with a linear, single-degree-of-freedom system, demonstrating implicit obedience of dynamics. This approach demonstrates 99.87% accuracy in predicting the Frequency Response Curve (FRC), forecasting the frequency and amplitude of linear resonance training on 7% of the bandwidth of the solution. By training machine learning models to internalize physics information rather than trajectory, better generalization accuracy can be realized, vastly improving the timeframe for vibration studies on engineered components.
• Abstract（参考訳）: 工学的部品の設計においては、動作中に発生する共振周波数と振幅の検証と同定に厳密な振動試験が不可欠である。 この評価を機械学習で数値的に行うことは、設計イテレーションを加速し、テストワークフローをより効率的にする大きな可能性を秘めている。 しかし,物理に基づく正規化損失関数を使わずに,機械学習を用いて動的システムを解くことは従来は困難であった。 この予測タスクを適切に行うためには、第一原理から用語を規則化することなく、検査可能な物理的従順性を有する構造を考案することができる。 この研究で用いられる方法は、暗黙の数値スキームと統合されたニューラル演算子である。 このアーキテクチャにより、演算子は限られたデータから基礎となる状態空間のダイナミクスを学習することができ、テストされていない駆動周波数と初期条件を一般化することができる。 このネットワークは、入力条件の小さなセットでトレーニングすることで、システムのグローバルな周波数応答を推測することができる。 基礎的な概念実証として、この研究は、機械学習アルゴリズムを線形一自由度システムで検証し、力学の暗黙の従順性を示す。 このアプローチは、周波数応答曲線(FRC)の予測において99.87%の精度を示し、解の帯域幅の7%で線形共鳴訓練の周波数と振幅を予測する。 軌道ではなく物理情報を内部化するために機械学習モデルを訓練することにより、より優れた一般化精度を実現し、エンジニアリングされたコンポーネントの振動研究の時間枠を大幅に改善する。

関連論文リスト

• Chaotic Oscillator Networks for Classification Tasks [0.0]
  本研究は, スケールアップ可能な非線形発振器のアンサンブルによるデータ処理の問題に対処することにより, 技術の現状を推し進めるものである。 提案手法では,外部データ入力によって駆動されるカオス発振器群における局所共鳴やエコーとして処理が達成される。 このフレームワークは、合成データを用いて評価され、機械学習分類タスクの精度を示す。
  論文  参考訳（メタデータ） (2026-03-06T11:16:20Z)
• Learning-Augmented Moment Estimation on Time-Decay Models [55.06256430461023]
  私たちは、多くの基本的な問題に対して学習強化アルゴリズムを提供するために、データセットのヘビーヒッターにオラクルを使用します。 提案手法は,実データおよび合成データセット上でのアルゴリズムの実用的効率を実証する実験的な評価によって理論的結果を補完するものである。
  論文  参考訳（メタデータ） (2026-03-03T00:42:34Z)
• Efficient dynamic modal load reconstruction using physics-informed Gaussian processes based on frequency-sparse Fourier basis functions [0.0]
  本稿では,物理インフォームドガウス法(GP)を用いた効率的な動的負荷再構成法を提案する。 GPの共分散行列はシステム力学の記述を用いて構築され、構造応答測定を用いてモデルを訓練する。 開発されたモデルは, 構造的健康モニタリング, 損傷予後, 負荷モデル検証に応用できる可能性を秘めている。
  論文  参考訳（メタデータ） (2025-03-12T14:16:27Z)
• Impact of Noisy Supervision in Foundation Model Learning [91.56591923244943]
  本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。 雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
  論文  参考訳（メタデータ） (2024-03-11T16:22:41Z)
• Fold Bifurcation Identification through Scientific Machine Learning [0.0]
  本研究は,周期解の折りたたみ分岐近傍の過渡時間列を科学的機械学習を用いて同定する。 畳み込みニューラルネットワーク(CNN)は、比較的少量のデータと単一の非常に単純なシステムで訓練される。 CNNは、マス・オン・ムーブ・ベルトシステムのために、折り畳み付近の過渡軌道を正しく分類することができた。
  論文  参考訳（メタデータ） (2023-12-21T10:07:52Z)
• Learning to Predict Structural Vibrations [2.4746345679821617]
  飛行機、車、家屋などの機械構造では、騒音が発生し振動によって伝達される。 ディープラーニングサロゲートモデルは古典的な数値シミュレーションの代替として有望である。 本稿では,高調波励起板の振動予測に関するベンチマークを示す。
  論文  参考訳（メタデータ） (2023-10-09T07:26:35Z)
• Controlling dynamical systems to complex target states using machine learning: next-generation vs. classical reservoir computing [68.8204255655161]
  機械学習を用いた非線形力学系の制御は、システムを周期性のような単純な振る舞いに駆動するだけでなく、より複雑な任意の力学を駆動する。 まず, 従来の貯水池計算が優れていることを示す。 次のステップでは、これらの結果を異なるトレーニングデータに基づいて比較し、代わりに次世代貯水池コンピューティングを使用する別のセットアップと比較する。 その結果、通常のトレーニングデータに対して同等のパフォーマンスを提供する一方で、次世代RCは、非常に限られたデータしか利用できない状況において、著しくパフォーマンスが向上していることがわかった。
  論文  参考訳（メタデータ） (2023-07-14T07:05:17Z)
• Label-free timing analysis of SiPM-based modularized detectors with physics-constrained deep learning [9.234802409391111]
  モジュール化検出器のタイミング解析のためのディープラーニングに基づく新しい手法を提案する。 本稿では,提案手法が求める最適関数の存在を数学的に証明し,モデルのトレーニングと校正のための体系的アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-24T09:16:31Z)
• Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
  本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。 この研究は、単一変換による周波数領域学習のための青写真を導入している。
  論文  参考訳（メタデータ） (2022-11-26T01:56:05Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• STEER: Simple Temporal Regularization For Neural ODEs [80.80350769936383]
  トレーニング中のODEの終了時刻をランダムにサンプリングする新しい正規化手法を提案する。 提案された正規化は実装が簡単で、オーバーヘッドを無視でき、様々なタスクで有効である。 本稿では,フローの正規化,時系列モデル,画像認識などの実験を通じて,提案した正規化がトレーニング時間を大幅に短縮し,ベースラインモデルよりも性能を向上できることを示す。
  論文  参考訳（メタデータ） (2020-06-18T17:44:50Z)

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。