ترجمه فارسی مقاله بازیابی حالت و دینامیک سیستم خودگردان با حل حالت‌های جزئی با استفاده از شبکه‌های عصبی

چکیده

In this paper we explore the performance of deep hidden physics model (M. Raissi 2018) for autonomous systems. These systems are described by set of ordinary differential equations which do not explicitly depend on time. Such systems can be found in nature and have applications in modeling chemical concentrations, population dynamics, n-body problems in physics etc. In this work we consider dynamics of states, which explain how the states will evolve are unknown to us. We approximate state and dynamics both using neural networks. We have considered examples of 2D linear/nonlinear and Lorenz systems. We observe that even without knowing all the states information, we can estimate dynamics of certain states whose state information are known.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله عملکرد مدل فیزیک پنهان عمیق (M. Raissi 2018) را برای سیستم های خودمختار بررسی می کنیم.این سیستم ها با مجموعه ای از معادلات دیفرانسیل معمولی توصیف شده اند که به صراحت به زمان بستگی ندارند.چنین سیستمهایی را می توان در طبیعت یافت و در مدل سازی غلظت شیمیایی ، پویایی جمعیت ، مشکلات بدن N در فیزیک و غیره کاربرد دارد. در این کار ما پویایی حالتها را در نظر می گیریم ، که توضیح می دهد که چگونه دولت ها برای ما ناشناخته هستند.ما با استفاده از شبکه های عصبی ، حالت و پویایی را تقریبی می کنیم.ما نمونه هایی از سیستم های 2D خطی/غیرخطی و لورنز را در نظر گرفته ایم.ما مشاهده می کنیم که حتی بدون اطلاع از اطلاعات ایالات متحده ، می توانیم پویایی برخی از کشورها را که اطلاعات دولت آنها شناخته شده است تخمین بزنیم.