Euclid対称ニューラルネットワークにおける一般化可能動力学の高速符号化【JST・京大機械翻訳】

Li Qiaofeng; Wang Tianyi; Roychowdhury Vwani; Jawed M. Khalid

プレプリント

J-GLOBAL ID：202202206944114027 整理番号：22P0308196

Euclid対称ニューラルネットワークにおける一般化可能動力学の高速符号化【JST・京大機械翻訳】

Rapidly Encoding Generalizable Dynamics in a Euclidean Symmetric Neural Network

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2022年03月22日プレプリントサーバーでの情報更新日： 2023年01月26日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

螺旋弾性ロッドであるリンクは,異常な機械的挙動を有する一見の単純な構造である。例えば,それはそれ自身の重さの下で階段の飛行を歩くことができる。テストケースとしてSlinkyを取り上げて,物理システムの縮小次数モデルを構築するための物理情報深層学習手法を提案した。この手法は,3Dリンクの縮小次数表現の運動軌跡から2D潜在ダイナミクスを学習するために,ニューラル常微分方程式フレームワークの下で訓練されたユークリッド対称ニューラルネットワーク(ESNN)アーキテクチャを導入する。ESNNは,並進,回転,反射を含む入力のユークリッド変換の下で,エネルギー不変性と力等分散を同時に保存する物理誘導アーキテクチャを実装する。埋込みユークリッド対称性は,ニューラルネットワークの完全表現力を維持しながら,物理誘導解釈可能性と一般化可能性を提供する。ESNNアプローチが従来の数値手法と比較して1桁から2桁までシミュレーションを加速し,古典的ニューラルネットワークがSlinky動力学,すなわち単一実証事例で訓練されたESNNを学習できず,異なるSlinky配置と境界条件の未知事例に対して正確に運動を予測することを示した。ESNNの更なる研究は,それがSlinkyの伸張と曲げの間の非線形結合を明示的に学習することを明らかにした。【JST・京大機械翻訳】

, , , , , , , , , , , , ,
, , 【Automatic Indexing@JST】

人工知能 , ニューロコンピュータ

, , , ,

前のページに戻る