抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
機械学習モデルは物理学と工学における強力なツールとして浮上している。柔軟ではあるが,基本的な課題は,既知の物理学と新しい機械学習モデルをどのように接続するかについて残っている。本研究では,物理の偏微分方程式の根底にある有限次元多様体を発見する,潜在空間ペナルティを持つオートエンコーダを提示した。この方法をKuramoto-Sivashinsky(K-S),Korteweg-de Vries(KdV)および減衰KdV方程式で試験した。K-S方程式の得られた最適潜在空間は慣性多様体の次元と一致することを示した。KdV方程式に対する結果は,KdV方程式の真の無限次元動力学と一致する潜在的空間の減少がないことを意味する。減衰KdV方程式の場合,活性次元の数は減衰係数の増加とともに減少することを見出した。次に,K-S方程式に対する潜在空間の多様体を表す非線形基底を明らかにした。【JST・京大機械翻訳】