論文の概要: Controlling nonlinear dynamical systems into arbitrary states using
machine learning
- arxiv url: http://arxiv.org/abs/2102.12969v1
- Date: Tue, 23 Feb 2021 16:58:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-26 13:46:53.178952
- Title: Controlling nonlinear dynamical systems into arbitrary states using
machine learning
- Title(参考訳): 機械学習による非線形力学系の任意の状態への制御
- Authors: Alexander Haluszczynski, Christoph R\"ath
- Abstract要約: 機械学習(ML)を活用した,新しい完全データ駆動制御方式を提案する。
最近開発されたMLに基づく複雑なシステムの予測機能により、非線形系は任意の初期状態から来る任意の動的対象状態に留まることが証明された。
必要なデータ量が少なく,柔軟性の高いコントロールスキームを備えることで,工学から医学まで幅広い応用の可能性について簡単に議論する。
- 参考スコア(独自算出の注目度): 77.34726150561087
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a novel and fully data driven control scheme which relies on
machine learning (ML). Exploiting recently developed ML-based prediction
capabilities of complex systems, we demonstrate that nonlinear systems can be
forced to stay in arbitrary dynamical target states coming from any initial
state. We outline our approach using the examples of the Lorenz and the
R\"ossler system and show how these systems can very accurately be brought not
only to periodic but also to e.g. intermittent and different chaotic behavior.
Having this highly flexible control scheme with little demands on the amount of
required data on hand, we briefly discuss possible applications that range from
engineering to medicine.
- Abstract(参考訳): 本稿では,機械学習(ML)に依存した,新しい完全データ駆動型制御方式を提案する。
最近開発されたMLに基づく複雑なシステムの予測機能により、非線形系は任意の初期状態から来る任意の動的対象状態に留まることが証明された。
Lorenz と R\"ossler システムの例を用いて、我々のアプローチを概説し、これらのシステムが周期だけでなく、例えば、いかに正確に周期的にもたらされるかを示す。
断続的かつ異なるカオス的行動。
必要なデータ量が少なく,柔軟性の高いコントロールスキームを備えることで,工学から医学まで幅広い応用の可能性について簡単に議論する。
関連論文リスト
- LeARN: Learnable and Adaptive Representations for Nonlinear Dynamics in System Identification [0.0]
非線形システム識別フレームワークLeARNを導入する。
基礎関数のライブラリをデータから直接学習することで、事前のドメイン知識の必要性を超越します。
我々はNeural Flyデータセットのフレームワークを検証し、その堅牢な適応と能力を示す。
論文 参考訳(メタデータ) (2024-12-16T18:03:23Z) - Controlling dynamical systems into unseen target states using machine learning [45.84205238554709]
我々は、複雑な力学系を以前に見つからなかったターゲット状態に制御するための、モデルフリーでデータ駆動の方法論を提案する。
提案手法は、観測されていないパラメータ状態におけるシステムの挙動を正確に予測し、任意の目標状態への遷移を制御できるようにする。
論文 参考訳(メタデータ) (2024-12-13T16:21:56Z) - Reconstructing dynamics from sparse observations with no training on target system [0.0]
提案するハイブリッド機械学習フレームワークのパワーは,多くの原型非線形力学系を用いて実証された。
このフレームワークは、トレーニングデータが存在しない極端な状況において、複雑で非線形なダイナミクスを再構築するパラダイムを提供する。
論文 参考訳(メタデータ) (2024-10-28T17:05:04Z) - Controlling dynamical systems to complex target states using machine
learning: next-generation vs. classical reservoir computing [68.8204255655161]
機械学習を用いた非線形力学系の制御は、システムを周期性のような単純な振る舞いに駆動するだけでなく、より複雑な任意の力学を駆動する。
まず, 従来の貯水池計算が優れていることを示す。
次のステップでは、これらの結果を異なるトレーニングデータに基づいて比較し、代わりに次世代貯水池コンピューティングを使用する別のセットアップと比較する。
その結果、通常のトレーニングデータに対して同等のパフォーマンスを提供する一方で、次世代RCは、非常に限られたデータしか利用できない状況において、著しくパフォーマンスが向上していることがわかった。
論文 参考訳(メタデータ) (2023-07-14T07:05:17Z) - A Deep Learning Technique to Control the Non-linear Dynamics of a
Gravitational-wave Interferometer [0.0]
非線形動的制御問題を解くディープラーニング手法を開発した。
LIGOシステムの動作に生じる重要な非線形制御問題に対して,本手法を適用した。
また、1つの現代的なCPUコア上で、高速なサンプリング速度でリアルタイムに実行できる計算効率の良いモデルを開発した。
論文 参考訳(メタデータ) (2023-02-15T19:47:56Z) - Supervised DKRC with Images for Offline System Identification [77.34726150561087]
現代の力学系はますます非線形で複雑なものになりつつある。
予測と制御のためのコンパクトで包括的な表現でこれらのシステムをモデル化するフレームワークが必要である。
本手法は,教師付き学習手法を用いてこれらの基礎関数を学習する。
論文 参考訳(メタデータ) (2021-09-06T04:39:06Z) - DySMHO: Data-Driven Discovery of Governing Equations for Dynamical
Systems via Moving Horizon Optimization [77.34726150561087]
本稿では,スケーラブルな機械学習フレームワークである移動水平最適化(DySMHO)による動的システムの発見について紹介する。
DySMHOは、基底関数の大きな辞書から基礎となる支配方程式を逐次学習する。
標準非線形力学系の例は、DySMHOが規則を正確に回復できることを示すために用いられる。
論文 参考訳(メタデータ) (2021-07-30T20:35:03Z) - Using Data Assimilation to Train a Hybrid Forecast System that Combines
Machine-Learning and Knowledge-Based Components [52.77024349608834]
利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。
動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
論文 参考訳(メタデータ) (2021-02-15T19:56:48Z) - Active Learning for Nonlinear System Identification with Guarantees [102.43355665393067]
状態遷移が既知の状態-作用対の特徴埋め込みに線形に依存する非線形力学系のクラスについて検討する。
そこで本稿では, トラジェクティブ・プランニング, トラジェクティブ・トラッキング, システムの再推定という3つのステップを繰り返すことで, この問題を解決するためのアクティブ・ラーニング・アプローチを提案する。
本手法は, 非線形力学系を標準線形回帰の統計速度と同様, パラメトリック速度で推定する。
論文 参考訳(メタデータ) (2020-06-18T04:54:11Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。