ترجمه فارسی مقاله تجزیه شبه پتانسیل و رانش در سیستم های تصادفی با شناسایی پراکنده

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Quasi-potential and drift decomposition in stochastic systems by sparse identification
عنوان مقاله به فارسی تجزیه شبه پتانسیل و رانش در سیستم های تصادفی با شناسایی پراکنده
نویسندگان Leonardo Grigorio, Mnerh Alqahtani
فرمت مقاله انگلیسی PDF
تعداد صفحات 24
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Statistical Mechanics,Mathematical Physics,Machine Learning,مکانیک آماری , فیزیک ریاضی , یادگیری ماشین ,
توضیحات Submitted 10 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده 10 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

The quasi-potential is a key concept in stochastic systems as it accounts for the long-term behavior of the dynamics of such systems. It also allows us to estimate mean exit times from the attractors of the system, and transition rates between states. This is of significance in many applications across various areas such as physics, biology, ecology, and economy. Computation of the quasi-potential is often obtained via a functional minimization problem that can be challenging. This paper combines a sparse learning technique with action minimization methods in order to: (i) Identify the orthogonal decomposition of the deterministic vector field (drift) driving the stochastic dynamics; (ii) Determine the quasi-potential from this decomposition. This decomposition of the drift vector field into its gradient and orthogonal parts is accomplished with the help of a machine learning-based sparse identification technique. Specifically, the so-called sparse identification of non-linear dynamics (SINDy) [1] is applied to the most likely trajectory in a stochastic system (instanton) to learn the orthogonal decomposition of the drift. Consequently, the quasi-potential can be evaluated even at points outside the instanton path, allowing our method to provide the complete quasi-potential landscape from this single trajectory. Additionally, the orthogonal drift component obtained within our framework is important as a correction to the exponential decay of transition rates and exit times. We implemented the proposed approach in 2- and 3-D systems, covering various types of potential landscapes and attractors.

چکیده به فارسی (ترجمه ماشینی)

شبه پتانسیل یک مفهوم کلیدی در سیستم های تصادفی است زیرا رفتار طولانی مدت پویایی چنین سیستمهایی را به خود اختصاص می دهد.همچنین به ما این امکان را می دهد تا میانگین زمان خروج از جذب کننده سیستم و نرخ انتقال بین ایالات را تخمین بزنیم.این در بسیاری از کاربردهای موجود در زمینه های مختلف مانند فیزیک ، زیست شناسی ، بوم شناسی و اقتصاد از اهمیت برخوردار است.محاسبه شبه پتانسیل اغلب از طریق یک مشکل به حداقل رساندن عملکردی حاصل می شود که می تواند چالش برانگیز باشد.در این مقاله یک تکنیک یادگیری پراکنده با روش های به حداقل رساندن عمل به منظور: (i) شناسایی تجزیه متعامد میدان بردار قطعی (DRIFT) که دینامیک تصادفی را شناسایی می کند ، ترکیب شده است.(ب) تعیین شبه پتانسیل از این تجزیه.این تجزیه میدان بردار رانش به قسمتهای شیب و متعامد آن با کمک یک تکنیک شناسایی پراکنده مبتنی بر یادگیری ماشین انجام می شود.به طور خاص ، شناسایی به اصطلاح پراکنده دینامیک غیرخطی (سندی) [1] برای یادگیری تجزیه ارتوگونی رانش به احتمال زیاد در یک سیستم تصادفی (Instanton) اعمال می شود.در نتیجه ، شبه پتانسیل را می توان حتی در نقاط خارج از مسیر فوری ارزیابی کرد و به روش ما این امکان را می دهد تا منظره کاملی از شبه پتانسیل را از این مسیر واحد فراهم کند.علاوه بر این ، مؤلفه رانش متعامد به دست آمده در چارچوب ما به عنوان تصحیح در پوسیدگی نمایی نرخ انتقال و زمان خروج مهم است.ما رویکرد پیشنهادی را در سیستم های 2- و 3 بعدی اجرا کردیم و انواع مختلفی از مناظر و جاذبه های بالقوه را پوشش می دادیم.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.