論文の概要: Physics-Informed Neural Networks for Discovering Periodic Orbits in the Gravitational Three-Body Problem

• arxiv url: http://arxiv.org/abs/2607.23501v1
• Date: Sun, 26 Jul 2026 07:07:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.132632
• Title: Physics-Informed Neural Networks for Discovering Periodic Orbits in the Gravitational Three-Body Problem
• Title（参考訳）: 重力3次元問題における周期軌道探索のための物理インフォームニューラルネットワーク
• Abstract要約: ラグランジュデータに基づいてトレーニングされたネットワークが重力3体問題の周期軌道を回復することを示す。 実験が確立したのは、特定された軌道は単に可算性ではなく、検証可能であることである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Locating periodic solutions of chaotic dynamical systems normally requires an initial guess close enough to the target orbit for numerical continuation or gradient-based search to converge. We show that Physics-Informed Neural Networks (PINNs) trained on sparse, noisy observations \emph{without} initial conditions recover periodic orbits of the gravitational three-body problem, including orbit families absent from the training data. The method rests on a second-order ODE formulation, fixed-frequency Fourier features, percentile-based adaptive refinement, and a trainable scaling parameter, each validated on forward problems. Across two 100-seed ensembles, $23$--$25\%$ of runs converge to families not present in the training data. We then ask what determines which family emerges. Two $χ^2$ tests give a consistent answer: changing the training data source significantly shifts the distribution of recovered families ($p < 0.001$, Cramér's $V = 0.339$), whereas switching between the two initialization distributions tested does not ($p = 0.620$, $V = 0.094$). The random seed selects which family a given run recovers; the \emph{distribution} the weights are drawn from does not shift the aggregate frequencies, but the training data does. The evidence is empirical: we do not characterize the loss landscape analytically, and PINNs remain slower than conventional integrators on well-posed initial-value problems. What the experiments establish is that the recovered orbits are verifiable rather than merely plausible: the identified ones refine to genuine periodic solutions, a network trained on Lagrange data recovers the figure-eight choreography (Li--Liao class I.A.1, matched to seven significant digits in $T^*$), and one trained on figure-eight data recovers a Broucke--Hadjidemetriou--Hénon orbit closing to $δ_T < 10^{-9}$.
• Abstract（参考訳）: カオス力学系の周期解の配置は通常、数値的な連続や勾配に基づく探索を収束させるためには、ターゲット軌道に十分近い初期推定を必要とする。 物理インフォームドニューラルネットワーク (PINN) は, トレーニングデータから欠落した軌道族を含む重力3体問題の周期軌道を初期条件で復元する。 この手法は2次ODE定式化、固定周波数フーリエ特性、パーセンタイルベースの適応改善、およびトレーニング可能なスケーリングパラメータに基づいており、それぞれ前方問題で検証されている。 2つの100シードのアンサンブル、23$--25$%のランは、トレーニングデータに存在しない家族に収束する。 すると、どの家族が出現するかを尋ねる。 トレーニングデータソースの変更は、回復したファミリーの配布を著しくシフトする(p < 0.001$, Cramér's $V = 0.339$)が、テストされた2つの初期化ディストリビューションの切り替えは(p = 0.620$, $V = 0.094$)。 ランダムシードは、与えられたランのどのファミリーがリカバリするかを選択し、ウェイトが引き出される \emph{distribution} は、集約周波数をシフトしないが、トレーニングデータはそうする。 その証拠は実証的であり、損失景観を解析的に特徴づけるものではなく、PINNは、よく提示された初期値問題に対する従来の積分器よりも遅いままである。 同定された軌道は真の周期解に洗練され、ラグランジュ級(Li-Liao class I.A.1)で訓練されたネットワークはフィギュアエイト・コレオグラフィーを回復し、フィギュアエイト・データで訓練された1つはブロッケ-ハジデメトリオ-ヘノン軌道を回復し、δ_T < 10^{-9}$で閉じる。

関連論文リスト

• GRACE: Gated Refinement for Accurate Causal Edge Discovery in High-Dimensional Time Series [0.0]
  高速リニアCIスケルトンはハイリコール候補を提供する。 単一ゲートモデルは、どのエッジが真に予測を改善するかを学ぶことによって、偽陽性を誘発する。 GRACEは高価な非線形CIテストと少しのコストで一致または超過します。
  論文  参考訳（メタデータ） (2026-06-22T19:26:38Z)
• Transformers Learn the Mestre-Nagao Heuristic [0.0]
  有理楕円曲線を分類するために、2層変換器エンコーダを訓練する:$E/mathbbQ$ of conductor $leq 10000$ as either rank 0 or rank 1 from the first 128 normalized Frobenius traces。 両クラスで99%の精度を達成し, トレーニングセットにおける等質性や二次的ツイストの相対性を持たない試験曲線では, 基本的に精度は変化しない。
  論文  参考訳（メタデータ） (2026-06-13T00:41:32Z)
• The Geometry of Forgetting: Temporal Knowledge Drift as an Independent Axis in LLM Representations [50.43168858368539]
  大規模言語モデルは自信を持って時代遅れの回答を生成し、既存の方法では検出できない。 これは工学的な失敗ではなく構造的な失敗であり、時間的ドリフトは、幾何的に残留流の方向として、正確性と不確実性の両方に符号化される。
  論文  参考訳（メタデータ） (2026-05-09T22:27:31Z)
• Scrambling Dynamics with Imperfections in a Solvable Model [0.0]
  可解ブラウン回路モデルにおいて、量子スクランブルダイナミクスのプローブが2種類の不完全性にどのように反応するかを考察する。 回路平均ROTOCは演算子重み空間の有効確率分布によって制御されることを示す。
  論文  参考訳（メタデータ） (2025-04-30T18:00:01Z)
• Convex Relaxations of ReLU Neural Networks Approximate Global Optima in Polynomial Time [45.72323731094864]
  本稿では,2層ReLULUネットワーク間における重み減衰と凸緩和の最適性ギャップについて検討する。 私たちの研究は、なぜローカルメソッドがうまく機能するのかを理解することに新たな光を当てています。
  論文  参考訳（メタデータ） (2024-02-06T01:29:35Z)
• Detection-Recovery Gap for Planted Dense Cycles [72.4451045270967]
  期待帯域幅$n tau$とエッジ密度$p$をエルドホス=R'enyiグラフ$G(n,q)$に植え込むモデルを考える。 低次アルゴリズムのクラスにおいて、関連する検出および回復問題に対する計算しきい値を特徴付ける。
  論文  参考訳（メタデータ） (2023-02-13T22:51:07Z)
• Neural Inference of Gaussian Processes for Time Series Data of Quasars [72.79083473275742]
  クエーサースペクトルを完全に記述できる新しいモデルを提案する。 また、$textitNeural Inference$というガウス的プロセスパラメータの推論の新しいメソッドも導入しています。 CDRWモデルとNeural Inferenceの組み合わせはベースラインのDRWとMLEを大きく上回っている。
  論文  参考訳（メタデータ） (2022-11-17T13:01:26Z)
• Bounding the Width of Neural Networks via Coupled Initialization -- A Worst Case Analysis [121.9821494461427]
  2層ReLUネットワークに必要なニューロン数を著しく削減する方法を示す。 また、事前の作業を改善するための新しい下位境界を証明し、ある仮定の下では、最善を尽くすことができることを証明します。
  論文  参考訳（メタデータ） (2022-06-26T06:51:31Z)
• An Improved Analysis of Gradient Tracking for Decentralized Machine Learning [34.144764431505486]
  トレーニングデータが$n$エージェントに分散されるネットワーク上での分散機械学習を検討する。 エージェントの共通の目標は、すべての局所損失関数の平均を最小化するモデルを見つけることである。 ノイズのない場合、$p$を$mathcalO(p-1)$から$mathcalO(p-1)$に改善します。
  論文  参考訳（メタデータ） (2022-02-08T12:58:14Z)
• Provable Robustness of Adversarial Training for Learning Halfspaces with Noise [95.84614821570283]
  ラベル雑音の存在下での敵対的ロバストなハーフスペースの特性を分析する。 我々の知る限りでは、これは敵の訓練がノイズの分類子を与えることを示す最初の研究である。
  論文  参考訳（メタデータ） (2021-04-19T16:35:38Z)
• Beyond Lazy Training for Over-parameterized Tensor Decomposition [69.4699995828506]
  過度なパラメータ化対象の勾配勾配は遅延学習体制を超え、データ中の特定の低ランク構造を利用する可能性があることを示す。 以上の結果から,過パラメータ化対象の勾配勾配は遅延学習体制を超え,データ中の特定の低ランク構造を利用する可能性が示唆された。
  論文  参考訳（メタデータ） (2020-10-22T00:32:12Z)
• NeCPD: An Online Tensor Decomposition with Optimal Stochastic Gradient Descent [1.0953917735844645]
  マルチウェイオンラインデータに基づく$(N)Nにおける非効率的な問題に対して,NeCPDという新しい効率的な分解アルゴリズムを提案する。 さらに,本手法を構造的データセットを用いた実生活モニタリングの分野に適用する。
  論文  参考訳（メタデータ） (2020-03-18T04:44:05Z)

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。