概要 - PySHRED: スパースセンシング、モデル削減、そして科学的発見のためのSHallow REcurrent Decoding用のPythonパッケージ

PySHRED: スパースセンシング、モデル削減、そして科学的発見のためのSHallow REcurrent Decoding用のPythonパッケージ

2025-07-28 16:04:14

{"David Ye","Jan Williams","Mars Gao","Stefano Riva","Matteo Tomasetto","David Zoro","J. Nathan Kutz"}

{cs.LG,cs.CE,math.DS,nlin.CD}

PySHREDは、SHallow REcurrent Decoder（SHRED）アーキテクチャを実装および拡張するために設計されたオープンソースのPythonパッケージです。SHREDは、高次元動的システムおよび空間時間データを稀疏なセンサー測定からモデル化するための深層学習フレームワークです。PySHREDは、センス、モデル削減、そして科学的発見を統合するためのモジュール的で拡張可能なパッケージを提供し、さまざまなSHREDバリアントを一つの使いやすいインターフェースに統合します。 PySHREDの主要な機能： - SHREDアーキテクチャおよびその拡張を実装しています。これには、パラメトリック低次元モデルのためのSHRED-ROM、稀疏な潜在動的変数の発見のためのSINDy-SHRED、動的に連結されたフィールドのモデル化のためのマルチフィールドSHREDが含まれます。 - 真実の世界のデータを扱います。これには、ノイズのある、多尺度、パラメータ化、高次元、そして強く非線形なデータが含まれます。 - これらの課題に対して特別に設計されたデータプレプロセッサと最先端のSHRED方法を提供します。 - データの圧縮表現を使用して、効率的なラップトップレベルのモデルトレーニングをサポートします。 - 試験と統合が簡単になる豊富な例のギャラリーやJupyter Notebookチュートリアルを提供します。 PySHREDアーキテクチャ： - DataManager：データのプレプロセッシングおよびトレーニング、バリデーション、テストセットへの分割を処理します。 - SHRED：シーケンスモデル、デコーダモデル、およびオプションの潜在予測器の交換可能なコンポーネントを持つ、核心のSHREDニューラルネットワークアーキテクチャを実装します。 - SHREDEngine：以下のタスクを実行するためのインターフェースを提供します。これには、全状態再構成、長期予測、そしてパフォーマンス評価が含まれます。 例的使用： ```python from pyshred import DataManager, SHRED, SHREDEngine manager = DataManager() # データマネージャーを初期化 manager.add_data(data=X, id="X", random=3, compress=False) # データを追加し、ランダムに3つのセンサー位置を選択 train, val, test = manager.prepare() # データセットを準備 shred = SHRED() # SHREDモデルを初期化 val_errors = shred.fit(train, val) # SHREDをトレーニング engine = SHREDEngine(manager, shred) # SHREDエンジンを初期化 ``` PySHREDの適用例： - 稀疏センシング：稀疏なセンサー測定から高次元の空間時間状態を再構成および予測します。 - モデル削減：高次元動的システムのための低次元モデルを生成します。 - 物理学の発見：データから支配方程式および基礎物理学を発見します。 PySHREDは、稀疏センシング、モデル削減、そして科学的発見の幅広い適用における実用的なツールです。モジュール的で拡張可能なデザインにより、カスタムモデルの迅速な試験と統合が可能になり、研究者やエンジニアにとって非常に価値のあるリソースです。