論文の概要: An Introduction to Sparse Identification of Nonlinear Dynamics for Engineering Applications

• arxiv url: http://arxiv.org/abs/2607.15077v1
• Date: Thu, 16 Jul 2026 14:46:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:33.14197
• Title: An Introduction to Sparse Identification of Nonlinear Dynamics for Engineering Applications
• Title（参考訳）: 工学応用のための非線形ダイナミクスのスパース同定入門
• Authors: Yao Cheng Li, Ana Larrañaga, Steven L. Brunton, Urban Fasel,
• Abstract要約: このチュートリアルでは、SINDyアルゴリズムを導入し、そのメイン拡張に向けて構築する。 SINDyは簡単に実装できるが、高度なエンジニアリングアプリケーションにとって価値のある識別ツールとして機能するほど柔軟である。
• 参考スコア（独自算出の注目度）: 3.032067204224423
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many engineering problems involve phenomena whose governing equations are poorly characterized or only partially known. Surrogate modeling techniques such as neural networks can capture the behavior of these systems, but they typically demand large training datasets that are difficult to obtain in engineering contexts and yield models with limited physical interpretability. The Sparse Identification of Nonlinear Dynamics (SINDy) method addresses both limitations by performing sparse regression over libraries of candidate nonlinear terms, recovering interpretable governing equations from comparatively small datasets. Although SINDy has been demonstrated extensively on canonical benchmark systems, its application to practical engineering problems is less widely documented. This tutorial introduces the SINDy method and progressively builds toward its main extensions, from noise-robust weak-form and ensembling-based variants to constrained and parametrizable formulations. The paper and the accompanying tutorial (available at https://github.com/paullililili/SINDy4Engineers) is organized in three parts: the first introduces the standard SINDy algorithm and progressively extends it, inviting readers without prior knowledge to follow each step and adapt the methods to their own problems; the remaining two parts present detailed case studies on (1) the system identification of an unmanned aerial vehicle and (2) a chaotic thermosyphon heat exchanger. Through these examples, we aim to demonstrate that SINDy is simple to implement yet flexible enough to serve as a valuable identification tool for advanced engineering applications.
• Abstract（参考訳）: 多くの工学的な問題は、支配方程式が貧弱であるか、部分的にしか知られていない現象に関係している。 ニューラルネットワークのような代理モデリング技術は、これらのシステムの振る舞いを捉えることができるが、工学的な文脈では入手が難しい大規模なトレーニングデータセットを必要とし、物理的解釈性に制限のあるモデルを出力する。 非線形ダイナミクスのスパース同定(SINDy)法は、候補となる非線形項のライブラリ上でスパース回帰を行い、比較的小さなデータセットから解釈可能な支配方程式を復元することにより、両方の制限に対処する。 SINDyは標準的なベンチマークシステムで広く実証されてきたが、実際的な工学的問題への応用は文書化されていない。 このチュートリアルでは、SINDy法を導入し、ノイズロスの弱い形式やアンサンブルに基づく変種から制約付きおよびパラメトリザブルな定式化まで、その主要な拡張に向けて徐々に構築する。 The paper and the associated tutorial ( available at https://github.com/paullililili/SINDy4Engineers) are organized into three part: first introduceds the standard SINDy algorithm and Progressly extended, inviting reading inviting reading without the prior knowledge to follow each step and adapt the method to their own problem; the other two parts present detailed case study on (1) the system identification of a unmanned air vehicle and (2) a chaotic thermosyphon heat exchanger。 これらの例を通して、SINDyは単純かつ柔軟に実装でき、高度なエンジニアリングアプリケーションにとって価値のある識別ツールとなることを実証することを目指している。

関連論文リスト

• Discovery of Nonlinear Dynamics with Automated Basis Function Generation [0.0]
  AutoSINDyはハイブリッドなDiscovery-then-キュレーションフレームワークである。 これは、シンボリック回帰の探索力と、SINDyの頑健な空間性促進能力を組み合わせたものである。 高い観測ノイズの下でも、接地構造方程式は一貫して回復する。
  論文  参考訳（メタデータ） (2026-05-10T18:30:17Z)
• A neural operator framework for data-driven discovery of stability and receptivity in physical systems [29.64126196034103]
  本稿では,観測データのみから,安定性と最適強制応答を自動的に識別するデータ駆動フレームワークを提案する。 本手法は, 正準カオスモデルと高次元流体流の両方で実証する。 この方程式のない方法論は、複雑な高次元データセットを解析するための広く適用可能なツールを確立する。
  論文  参考訳（メタデータ） (2026-04-21T13:43:32Z)
• Differentiable Sparse Identification of Lagrangian Dynamics [8.934077065104372]
  データによるデータからの支配方程式の発見は、非線形力学における根本的な課題である。 本稿では,これらの制約に3つの重要な貢献を通じて対処する,新しい識別フレームワークを提案する。 提案手法は優れた性能を示し,ノイズデータからより正確で信頼性の高い物理法則抽出を可能にする。
  論文  参考訳（メタデータ） (2025-11-13T05:12:53Z)
• Simplifying DINO via Coding Rate Regularization [74.88963795406733]
  DINOとDINOv2は、大規模にラベル付けされていない画像データから表現を学ぶために広く使われている2つのモデルファミリーである。 この研究は、設計原則をシンプルにすることで、ディープラーニングの実証的な実践を改善する可能性を強調します。
  論文  参考訳（メタデータ） (2025-02-14T18:58:04Z)
• Hierarchical-Hyperplane Kernels for Actively Learning Gaussian Process Models of Nonstationary Systems [5.1672267755831705]
  グラデーションベースの手法で学習可能なパーティショニングを組み込んだカーネルファミリーを提案する。 各種能動的学習課題における優れた性能を実証的に示す。
  論文  参考訳（メタデータ） (2023-03-17T14:50:51Z)
• Deep learning applied to computational mechanics: A comprehensive review, state of the art, and the classics [77.34726150561087]
  人工知能,特に深層学習(DL)の最近の進歩を概観する。 ハイブリッドおよび純粋機械学習(ML)の手法について論じる。 AIの歴史と限界は、特に古典の誤解や誤解を指摘し、議論され、議論される。
  論文  参考訳（メタデータ） (2022-12-18T02:03:00Z)
• Characterizing possible failure modes in physics-informed neural networks [55.83255669840384]
  科学機械学習における最近の研究は、いわゆる物理情報ニューラルネットワーク(PINN)モデルを開発した。 既存のPINN方法論は比較的自明な問題に対して優れたモデルを学ぶことができるが、単純なPDEであっても、関連する物理現象を学習するのに失敗する可能性があることを実証する。 これらの障害モードは,NNアーキテクチャの表現力の欠如によるものではなく,PINNのセットアップによって損失状況の最適化が極めて困難であることを示す。
  論文  参考訳（メタデータ） (2021-09-02T16:06:45Z)
• Physics-informed Spline Learning for Nonlinear Dynamics Discovery [8.546520029145853]
  非線形ダイナミクスの準同次制御方程式を発見するための物理インフォメーションスプライン学習フレームワークを提案する。 このフレームワークは、わずかにサンプリングされたノイズデータに基づいている。 提案手法の有効性と優位性は,複数の非線形力学系によって実証されている。
  論文  参考訳（メタデータ） (2021-05-05T23:32:43Z)
• Controlling nonlinear dynamical systems into arbitrary states using machine learning [77.34726150561087]
  機械学習(ML)を活用した,新しい完全データ駆動制御方式を提案する。 最近開発されたMLに基づく複雑なシステムの予測機能により、非線形系は任意の初期状態から来る任意の動的対象状態に留まることが証明された。 必要なデータ量が少なく,柔軟性の高いコントロールスキームを備えることで,工学から医学まで幅広い応用の可能性について簡単に議論する。
  論文  参考訳（メタデータ） (2021-02-23T16:58:26Z)
• Model-Based Deep Learning [155.063817656602]
  信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。 ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。 私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
  論文  参考訳（メタデータ） (2020-12-15T16:29:49Z)

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。