Fugu-MT 論文翻訳(概要): Orthogonal Discrepancy Kernels for Learning with Partial Physics

論文の概要: Orthogonal Discrepancy Kernels for Learning with Partial Physics

arxiv url: http://arxiv.org/abs/2606.21199v1
Date: Fri, 19 Jun 2026 08:10:18 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-26 07:31:14.435565
Title: Orthogonal Discrepancy Kernels for Learning with Partial Physics
Title（参考訳）: 部分物理学習のための直交離散カーネル
Authors: Swapnil Manna, Timothy J. Rogers, Lawrence Bull,
Abstract要約: 本稿では,非線形システム同定のための半パラメトリックフレームワークを提案する。不完全物理学から解釈可能なモデルを作成する。
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: We introduce a semi-parametric framework for nonlinear system identification, which decouples discrepancy functions from physics-based components. Orthogonal Gaussian process regression balances sparse parameter selection (the white box) with discrepancy learning (the black box) to produce interpretable models from incomplete physics.
Abstract（参考訳）: 本稿では,非線形システム同定のための半パラメトリックフレームワークを提案する。直交ガウス過程の回帰はスパースパラメータ選択(ホワイトボックス)と差分学習(ブラックボックス)のバランスを取り、不完全物理学から解釈可能なモデルを生成する。

関連論文リスト

SOLIS: Physics-Informed Learning of Interpretable Neural Surrogates for Nonlinear Systems [6.5745172279769255]
textbfSOLISは、状態条件付き2階代理モデルを介して未知のダイナミクスをモデル化する textbfLocal Physics Hintsウィンドウ付きリッジ回帰アンカーは最適化の崩壊を緩和する。ベンチマークの実験では、標準逆メソッドが失敗するレギュレーションを含むスパースデータから正確なパラメータ・マニフォールド・リカバリとコヒーレントな物理ロールアウトが示されている。
論文参考訳（メタデータ） (2026-04-16T11:12:36Z)
Implicit bias as a Gauge correction: Theory and Inverse Design [2.9379512315137117]
機械学習理論の中心的な問題は、学習力学が学習目標と互換性のある特定のソリューションをどのように選択するかを特徴づけることである。我々は、暗黙のバイアスの出現に対する学習力学の明示的な修正という観点から、一般的なメカニズムを同定する。我々は、様々な力学の帰納バイアスを計算し、いくつかのよく知られた結果が単一の統一されたフレームワークにどのように適合するかを示した。
論文参考訳（メタデータ） (2026-01-10T15:33:09Z)
Disordered Dynamics in High Dimensions: Connections to Random Matrices and Machine Learning [52.26396748560348]
ランダム行列によって駆動される高次元力学系について概説する。機械学習理論における学習と一般化の単純なモデルへの応用に焦点を当てる。
論文参考訳（メタデータ） (2026-01-03T00:12:32Z)
Intrinsic-Metric Physics-Informed Neural Networks (IM-PINN) for Reaction-Diffusion Dynamics on Complex Riemannian Manifolds [0.0]
本研究は,本質的物理インフォームドニューラルネットワーク(IM-PINN)を紹介する。メッシュのない幾何学的深層学習フレームワークであり、連続パラメトリック領域において偏微分方程式を直接解く。このフレームワークは、進化する表面上の生物学的パターンの形成をシミュレートするための、メモリ効率が高く、解像度に依存しないパラダイムを提供する。
論文参考訳（メタデータ） (2025-12-26T12:41:05Z)
Physics-Informed Quantum Machine Learning: Solving nonlinear differential equations in latent spaces without costly grid evaluations [21.24186888129542]
非線形および多次元微分方程式を解く物理インフォームド量子アルゴリズムを提案する。 DE項の表現である状態間の重なりを測定することにより、格子点上の独立な逐次関数評価を必要としない損失を構築する。損失が変動的に訓練されると、我々のアプローチは微分可能な量子回路プロトコルと関連付けられる。
論文参考訳（メタデータ） (2023-08-03T15:38:31Z)
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)
Exact solutions of interacting dissipative systems via weak symmetries [77.34726150561087]
我々は任意の強い相互作用や非線形性を持つクラスマルコフ散逸系(英語版)のリウヴィリアンを解析的に対角化する。これにより、フルダイナミックスと散逸スペクトルの正確な記述が可能になる。我々の手法は他の様々なシステムに適用でき、複雑な駆動散逸量子系の研究のための強力な新しいツールを提供することができる。
論文参考訳（メタデータ） (2021-09-27T17:45:42Z)
Fast Gravitational Approach for Rigid Point Set Registration with Ordinary Differential Equations [79.71184760864507]
本稿では,FGA(Fast Gravitational Approach)と呼ばれる厳密な点集合アライメントのための物理に基づく新しい手法を紹介する。 FGAでは、ソースとターゲットの点集合は、シミュレーションされた重力場内を移動しながら、世界規模で多重リンクされた方法で相互作用する質量を持つ剛体粒子群として解釈される。従来のアライメント手法では,新しいメソッドクラスには特徴がないことを示す。
論文参考訳（メタデータ） (2020-09-28T15:05:39Z)
Lorentz Group Equivariant Neural Network for Particle Physics [58.56031187968692]
ローレンツ群の下での変換に関して完全に同値なニューラルネットワークアーキテクチャを提案する。素粒子物理学における分類問題に対して、そのような同変構造は、比較的学習可能なパラメータの少ない非常に単純なモデルをもたらすことを実証する。
論文参考訳（メタデータ） (2020-06-08T17:54:43Z)
Bayesian Hidden Physics Models: Uncertainty Quantification for Discovery of Nonlinear Partial Differential Operators from Data [0.0]
データから微分方程式のような物理法則を発見するために機械学習モデルを使うことへの関心が高まっている。ニューラルネットワークとして機能データを管理することを学習する「リーフモジュール」からなる新しいモデルを提案する。提案手法は,演算子に対する後続分布の観点から学習物理の信頼性を定量化し,この不確実性を新しい初期有界値問題インスタンスの解に伝達する。
論文参考訳（メタデータ） (2020-06-07T18:48:43Z)

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。