Core Concepts
再帰型ニューラルネットワーク(RNN)は、GRUアーキテクチャを使用して、速度ジャンプから生じる摩擦係数の変化を効果的に予測し、潜在的な物理過程を理解するための潜在能力を示す。
Abstract
この研究では、再帰型ニューラルネットワーク(RNN)、特にGRUアーキテクチャを使用して、合成データからレートおよび状態依存性摩擦法則の複雑なダイナミクスを学習できることが示されています。トレーニング用に生成されたデータは、伝統的なレートおよび状態依存性摩擦方程式とエージング法則と組み合わせて生成されます。RNNは、そのGRUアーキテクチャによって、速度ジャンプから生じる摩擦係数の変化を予測することを効果的に学習しました。これは、機械学習モデルが摩擦過程の物理を理解しシミュレートする可能性を示しています。
Stats
15000個のランダムシーケンスがシミュレートされました。
バッチサイズは32です。
学習率は0.001です。
Quotes
"Neural networks have revolutionized the field of machine learning, offering powerful tools for modeling complex, non-linear relationships in data across a myriad of disciplines."
"Rate-and-state friction laws stand out by explicitly addressing the direct effect and healing, thereby providing a more comprehensive framework for understanding the seismic cycle."
"The goal is to evolve from traditional phenomenological friction models towards more accurate representations that are likewise derived from the data already used for parameter fitting."