Core Concepts
データ駆動型手法を使用して、保存則を特定し、最小限のデータで正確に再構築する。
Abstract
多くの系が持つ保存則を特定するために、線形代数と代数幾何学的手法が使用される。本研究は、システムダイナミクスの知識がない状況で、保存則を特定するための堅牢なデータ駆動型計算フレームワークを開発している。このフレームワークは、必要なデータ量を最小限に抑えつつ、正しい保存則を再構築できることを示している。SVDベースのゼロ空間推定方法は比較的堅牢であり、高ノイズ環境でも20ポイントだけで正確に保存された構造を再構築できることが示されている。提案されたフレームワークは他の学習アプローチと統合することが可能であり、自動選択最適化パラメータによって最適なライブラリや多項式次数を決定する能力も持っている。
Stats
SVDベースのゼロ空間推定方法は20ポイントだけで正確な保存構造を再構築可能。
ノイズレベルに対して相対安定性がある。
保存則から物理情報を抽出する深層ニューラルネット構造が使用されている。
マニフォールド学習は雑音に強く、ジオメトリックアプローチが有効。
機械学習は第一積分および基礎ダイナミカルシステム構造を通じて保存則を特定するために使用されている。
Quotes
"我々は20ポイントだけで高ノイズ環境でも正確な保存された構造を再構築できることを示しています。"
"提案されたフレームワークは他の学習アプローチと統合することが可能です。"
"マニフォールド学習は雑音に強く、ジオメトリックアプローチが有効です。"