論文の概要: Continuous Learning of Gravity Field Irregularities Around Small Bodies via Neural Hamiltonian ODEs
- arxiv url: http://arxiv.org/abs/2609.12022v1
- Date: Thu, 10 Sep 2026 12:44:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-15 07:38:31.493028
- Title: Continuous Learning of Gravity Field Irregularities Around Small Bodies via Neural Hamiltonian ODEs
- Title（参考訳）: ニューラルハミルトニアン・オーダを用いた微小物体周辺の重力場不規則性の連続学習
- Abstract要約: そこで本研究では,ハミルトニアンシステムに埋め込まれたフィードフォワードニューラルネットワークとして,小天体近傍の未知のダイナミクスを追跡データから学習することを提案する。
本研究は,岩手県糸川市において,1次高調波の5.1--SI48.9mに対して1次高調波の5.1--SI48.9mに対して1次高調波の5.1--SI48.9mに対して1次高調波の5.1--SI48.9mに対して1次高調波の5.1--SI48.9mに対して1次高調波の5.1--SI0.9mに対して1次高調波の5.1---SI48.9mに対して,1次高調波の2次高調波の2次高調波の2次高調波の2次高調波の1次高調波の2次高調波の2次高調波の2次高調波の2次高調波の1次高調波の2次高調波の1次高調波の2次高調波の1次高調波の2次高調波の1次高調波の5.1-9mに対して
- 参考スコア（独自算出の注目度）: 3.496860143624037
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose to learn the unknown dynamics in the proximity of a small body directly from tracking data, representing them as a feed-forward neural network embedded in the system Hamiltonian. The equations of motion form a Neural Hamiltonian Ordinary Differential Equation, whose variational equations provide exact training gradients: estimation uses position and velocity arcs at realistic noise levels, without acceleration or potential labels, and a continual learning approach warm-starts the network as new data are acquired. The known part of the Hamiltonian carries whatever is available, from the central term and spin state to the constant-density model of the imaged shape. We assess the method against a normalized spherical harmonics expansion estimated from identical arcs through the same machinery, on scenarios built on the shapes of Itokawa, 67P, Bennu and Eros. The network remains usable inside the Brillouin sphere: it plans ballistic descents at Itokawa to \SI{4.6}{m} median touchdown error from tracking alone, against 5.1--\SI{48.9}{m} for harmonics of degree 4--12, and to \SI{0.9}{m} with the imaged shape as prior, a configuration that also recovers localised density anomalies invisible to any harmonics degree. The two representations are complementary, and we discuss their combined use across the phases of a small-body mission.
- Abstract（参考訳）: そこで本研究では,ハミルトニアンシステムに埋め込まれたフィードフォワードニューラルネットワークとして,小天体の近傍における未知のダイナミクスを,追跡データから直接学習することを提案する。
運動方程式はニューラルハミルトニアン正規微分方程式(英語版)(Neural Hamiltonian Ordinary Differential Equation)を形成し、その変分方程式は正確な訓練勾配を与える。
ハミルトニアンの既知の部分は、中心項やスピン状態から画像形状の定数密度モデルまで、あらゆるものを運ぶ。
本手法は, 糸川, 67P, ベンヌ, エロスの形状に基づいて, 同一の円弧から推定される正規化球面高調波拡大に対して評価した。
ブリュアン・スフィア内のネットワークは依然として利用可能であり、追跡単独から5.1--\SI{48.9}{m} に対して5.1--\SI{48.9}{m} に対して伊藤川における弾道的な降下を計画し、画像化された形状を持つ SI{0.9}{m} に対して、任意の高調度に見えない局所的な密度異常を復元する構成である。
この2つの表現は相補的であり、小体ミッションのフェーズ間でそれらの組み合わせの使用について議論する。
関連論文リスト
- Stochastic Gradient Descent in the Saddle-to-Saddle Regime of Deep Linear Networks [74.46751089984072]
深い線形ネットワークにおける勾配降下(SGD)ノイズの理解は不十分である。
本研究では,サドル・アンド・サドル体制におけるDLNの訓練におけるSGDの動態について検討した。
以上の結果から,SGDノイズは特徴学習の進行に関する情報を符号化するが,サドル・アンド・サドル・ダイナミクスを根本的に変えるものではないことが判明した。
論文 参考訳（メタデータ） (2026-04-07T18:43:08Z) - From Black Hole to Galaxy: Neural Operator: Framework for Accretion and Feedback Dynamics [70.27068115318681]
ニューラルベースの「サブグリッドブラックホール」を導入し、小さな局所力学を学習し、直接シミュレーションに組み込む。
微細な進化の大きなスピードアップにより、我々は、降着駆動のフィードバックで固有の変動を捉え、中心ブラックホールと銀河スケールのガスの動的結合を可能にした。
論文 参考訳（メタデータ） (2025-12-01T11:47:49Z) - Learning Generalized Hamiltonian Dynamics with Stability from Noisy Trajectory Data [4.680663665263333]
雑音, スパース位相空間データから様々な一般化ハミルトン力学を学習するための頑健な枠組みを導入する。
単一のハミルトニアンネットワークモデルでは、位相空間の特異かつ変動する運動力学や物理を捉えることは困難である。
論文 参考訳（メタデータ） (2025-09-08T23:29:04Z) - Parameter Symmetry and Noise Equilibrium of Stochastic Gradient Descent [8.347295051171525]
勾配ノイズは、退化方向に沿ってパラメータ$theta$の体系的な相互作用を、一意に依存しない固定点$theta*$へと生成することを示す。
これらの点をノイズ平衡(it noise equilibria)と呼ぶのは、これらの点において、異なる方向からのノイズ寄与がバランスと整合性を持つためである。
勾配雑音のバランスとアライメントは、ニューラルネットワーク内でのプログレッシブ・シャープニング/フラット化や表現形成といった重要な現象を説明するための新しいメカニズムとして機能することを示す。
論文 参考訳（メタデータ） (2024-02-11T13:00:04Z) - Coarse-Graining Hamiltonian Systems Using WSINDy [0.0]
そこで,WSINDy は大規模内在系の存在下でハミルトン系を小さくすることに成功した。
WSINDy は、ハミルトンベクトル場の試行基底に制限を加えることにより、ハミルトン構造を自然に保存する。
また、ベクトル場のレベルでの1次平均化は、ほぼ周期的なハミルトン系におけるハミルトン構造を保存することを証明して平均化理論に寄与する。
論文 参考訳（メタデータ） (2023-10-09T17:20:04Z) - Learning to Predict 3D Rotational Dynamics from Images of a Rigid Body with Unknown Mass Distribution [4.386534439007928]
画像列から3次元回転力学を推定・予測するための物理ベースニューラルネットワークモデルを提案する。
本研究は, 回転物体の合成画像列の新たな回転剛体データセットに対するアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2023-08-24T17:47:32Z) - 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) - Slow semiclassical dynamics of a two-dimensional Hubbard model in
disorder-free potentials [77.34726150561087]
調和およびスピン依存線形ポテンシャルの導入は、fTWAを長期間にわたって十分に検証することを示した。
特に、有限2次元系に着目し、中間線形ポテンシャル強度において、高調波ポテンシャルの追加と傾きのスピン依存が、亜拡散力学をもたらすことを示す。
論文 参考訳（メタデータ） (2022-10-03T16:51:25Z) - Geometric phase in a dissipative Jaynes-Cummings model: theoretical
explanation for resonance robustness [68.8204255655161]
我々は、ユニタリモデルと散逸型Jaynes-Cummingsモデルの両方で得られた幾何位相を計算する。
散逸モデルでは、非単体効果は、空洞壁を通る光子の流出から生じる。
幾何学的位相が堅牢であることを示し、非単体進化の下で消滅する補正を示す。
論文 参考訳（メタデータ） (2021-10-27T15:27:54Z) - Machine Learning S-Wave Scattering Phase Shifts Bypassing the Radial
Schr\"odinger Equation [77.34726150561087]
本稿では, 畳み込みニューラルネットワークを用いて, 正確な散乱s波位相シフトを得られる機械学習モデルの実証を行う。
我々は、ハミルトニアンが物理的に動機づけられた記述子の構築において、いかにして指導原理として機能するかについて議論する。
論文 参考訳（メタデータ） (2021-06-25T17:25:38Z) - Lagrangian Neural Networks [3.0059120458540383]
ニューラルネットワークを用いて任意のラグランジアンをパラメータ化できるラグランジアンニューラルネットワーク(LNN)を提案する。
ハミルトン学を学ぶモデルとは対照的に、LNNは標準座標を必要としない。
ラグランジアングラフネットワークを用いて,このモデルをグラフや連続システムに適用する方法を示す。
論文 参考訳（メタデータ） (2020-03-10T10:55:25Z)
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。