Benchmarking Energy-Conserving Neural Networks for Learning Dynamics from Data

要約

タイトル：データから学習するための省エネニューラルネットワークのベンチマーク

要約：
– 近年、深層学習フレームワークに物理学的な帰納バイアスを組み込むことに関心が高まっている。
– 特に、観測された時系列データから動力学を学習するためにニューラルネットワークを使用しながらエネルギー保存を強制する方法を探求している研究が増えている。
– この研究では、HNN、LNN、DeLaN、SymODEN、CHNN、CLNNなどのエネルギー保存型ニューラルネットワークモデルの10種類を調査し、これらのモデルの理論的な導出を簡潔に説明し、類似点と相違点を説明する。
– これらのモデルの性能を、4つの物理系で比較している。
– これらのエネルギー保存型モデルのいくつかを利用して、エネルギーベースのコントローラを設計する可能性を指摘している。

要約(オリジナル)

The last few years have witnessed an increased interest in incorporating physics-informed inductive bias in deep learning frameworks. In particular, a growing volume of literature has been exploring ways to enforce energy conservation while using neural networks for learning dynamics from observed time-series data. In this work, we survey ten recently proposed energy-conserving neural network models, including HNN, LNN, DeLaN, SymODEN, CHNN, CLNN and their variants. We provide a compact derivation of the theory behind these models and explain their similarities and differences. Their performance are compared in 4 physical systems. We point out the possibility of leveraging some of these energy-conserving models to design energy-based controllers.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI