散逸ハミルトニアンニューラルネットワーク:散逸および保存動力学の分離【JST・京大機械翻訳】

Sosanya Andrew; Greydanus Sam

プレプリント

J-GLOBAL ID：202202216440111510 整理番号：22P0279245

散逸ハミルトニアンニューラルネットワーク:散逸および保存動力学の分離【JST・京大機械翻訳】

Dissipative Hamiltonian Neural Networks: Learning Dissipative and Conservative Dynamics Separately

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 (2件)： ,
資料名：
発行年： 2022年01月24日プレプリントサーバーでの情報更新日： 2022年01月25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)

自然の対称性の理解は,著者らの複雑で絶えず変化する世界の意味を作るのに重要である。最近の研究は,ニューラルネットワークがハミルトニアンニューラルネットワーク(HNN)を用いてデータからそのような対称性を直接学習できることを示した。しかし,HNNは,エネルギーが保存されないデータセット上で訓練されたとき,ストラッグルスを strった。本論文では,保存的および散逸的動力学を同時に同定および分解できるかどうかを問う。ハミルトニアンとRayleigh散逸関数をパラメータ化する散逸ハミルトニアンニューラルネットワーク(D-HNN)を提案した。まとめると,それらは,エネルギーの保存のような対称性からの摩擦のような散逸効果を分離できる陰的Helmholtz分解を表す。減衰質量-ばね系をその摩擦と慣性項に分解するために,このモデルを訓練し,次に,この分解が,非分離摩擦係数に対する動力学を予測するために使用できることを示した。次に,このモデルを,速度場を分解して有用な科学的洞察をもたらす大規模でノイズの多い海洋潮流データセットを含む実世界データに適用した。【JST・京大機械翻訳】

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

ニューロコンピュータ , 人工知能

, ,

前のページに戻る