論文の概要: Deep neural network approximation for high-dimensional parabolic
Hamilton-Jacobi-Bellman equations
- arxiv url: http://arxiv.org/abs/2103.05744v1
- Date: Tue, 9 Mar 2021 22:34:13 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-11 15:01:07.447205
- Title: Deep neural network approximation for high-dimensional parabolic
Hamilton-Jacobi-Bellman equations
- Title(参考訳): 高次元放物型ハミルトン・ヤコビ・ベルマン方程式に対するディープニューラルネットワーク近似
- Authors: Philipp Grohs and Lukas Herrmann
- Abstract要約: 特定のマルコフ過程の最適制御の文脈で生じるHJB方程式に対して、解は次元の呪いを起こさずに深いニューラルネットワークによって近似できることが示されている。
- 参考スコア(独自算出の注目度): 5.863264019032882
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The approximation of solutions to second order Hamilton--Jacobi--Bellman
(HJB) equations by deep neural networks is investigated. It is shown that for
HJB equations that arise in the context of the optimal control of certain
Markov processes the solution can be approximated by deep neural networks
without incurring the curse of dimension. The dynamics is assumed to depend
affinely on the controls and the cost depends quadratically on the controls.
The admissible controls take values in a bounded set.
- Abstract(参考訳): 深層ニューラルネットワークによる第2次ハミルトン-ヤコビ-ベルマン方程式の解の近似について検討した。
特定のマルコフ過程の最適制御の文脈で生じるHJB方程式に対して、解は次元の呪いを起こさずに深いニューラルネットワークによって近似できることが示されている。
ダイナミクスは制御に親和的に依存し、コストは制御に2次に依存すると仮定される。
許容可能な制御は、有界集合の値を取る。
関連論文リスト
- Neural Time-Reversed Generalized Riccati Equation [60.92253836775246]
ハミルトン方程式は、コストテートとして知られる補助変数を通して最適性の解釈を提供する。
本稿では,前向きに作業することを目的とした,新しいニューラルベースによる最適制御手法を提案する。
論文 参考訳(メタデータ) (2023-12-14T19:29:37Z) - Generation of C-NOT, SWAP, and C-Z Gates for Two Qubits Using Coherent
and Incoherent Controls and Stochastic Optimization [56.47577824219207]
我々は、Gorini-Kossakowsky-Sudarchhan-Lindblad型マスター方程式によって決定される開量子系の力学の一般的な形式を考える。
我々は,2ビットのC-NOT,SWAP,C-Zゲートを生成する際の制御問題を,一括定数制御と最適化を用いて解析する。
論文 参考訳(メタデータ) (2023-12-09T17:55:47Z) - Solving Elliptic Optimal Control Problems using Physics Informed Neural
Networks [4.228167013618626]
本稿では,線形および半線形二階楕円問題に対する最適制御問題(ボックス制約付き)の数値解法を提案し,解析する。
この手法は最適制御問題の1次最適性システムから導かれる結合系に基づいており、結合系を解くために物理情報ニューラルネットワーク(PINN)を適用する。
論文 参考訳(メタデータ) (2023-08-23T05:18:19Z) - Optimal State Manipulation for a Two-Qubit System Driven by Coherent and
Incoherent Controls [77.34726150561087]
2量子ビット量子系の最適制御には状態準備が重要である。
物理的に異なる2つのコヒーレント制御を利用し、ヒルベルト・シュミット目標密度行列を最適化する。
論文 参考訳(メタデータ) (2023-04-03T10:22:35Z) - Optimal control for state preparation in two-qubit open quantum systems
driven by coherent and incoherent controls via GRAPE approach [77.34726150561087]
我々は、コヒーレントかつ非コヒーレントな時間依存制御によって駆動される2つの量子ビットのモデルを考える。
系の力学はゴリーニ=コサコフスキー=スダルシャン=リンドブラッドのマスター方程式によって支配される。
最適化制御の下で, フォン・ノイマンエントロピー, 純度, および1ビット還元密度行列の進化について検討した。
論文 参考訳(メタデータ) (2022-11-04T15:20:18Z) - Deep Graphic FBSDEs for Opinion Dynamics Stochastic Control [27.38625075499457]
本稿では,動的・コスト関数における平均場項結合を用いた意見力学の最適制御問題の解法として,スケーラブルなディープラーニング手法を提案する。
提案したフレームワークは,超大規模問題に対する将来の応用の可能性を開く。
論文 参考訳(メタデータ) (2022-04-05T22:07:32Z) - A control method for solving high-dimensional Hamiltonian systems
through deep neural networks [0.2752817022620644]
まず、ハミルトニアン制御系がまさに解決すべき問題であるような対応する最適制御問題を導入し、その後、制御問題の異なるケースに適した2つの異なるアルゴリズムを開発し、深層ニューラルネットワークによる制御を近似する。
数値的な結果から、FBSDEを解く観点から以前に開発されたDeep FBSDE法と比較して、新しいアルゴリズムはより高速に収束する。
論文 参考訳(メタデータ) (2021-11-04T05:22:08Z) - Deep Learning Approximation of Diffeomorphisms via Linear-Control
Systems [91.3755431537592]
我々は、制御に線形に依存する$dot x = sum_i=1lF_i(x)u_i$という形の制御系を考える。
対応するフローを用いて、コンパクトな点のアンサンブル上の微分同相写像の作用を近似する。
論文 参考訳(メタデータ) (2021-10-24T08:57:46Z) - Numerical estimation of reachable and controllability sets for a
two-level open quantum system driven by coherent and incoherent controls [77.34726150561087]
この記事では、ゴリーニ-コサコフスキー--リンドブラッド--スダルシャンマスター方程式によって支配される2段階の開量子系を考える。
系の密度行列のブロッホパラメトリゼーションを用いて解析する。
論文 参考訳(メタデータ) (2021-06-18T14:23:29Z) - Neural network architectures using min-plus algebra for solving certain
high dimensional optimal control problems and Hamilton-Jacobi PDEs [0.0]
本稿では、それぞれ値関数と最適制御を計算するために使用される2つの抽象ニューラルネットワークアーキテクチャを提案する。
FPGA上で提案したニューラルネットワークアーキテクチャの予備実装は、CPUと比較して有望なスピードアップを示している。
論文 参考訳(メタデータ) (2021-05-07T15:40:23Z) - QRnet: optimal regulator design with LQR-augmented neural networks [2.8725913509167156]
本研究では,高次元非線形系の最適レギュレータを設計するための新しい計算手法を提案する。
提案手法は,高次元ハミルトン・ヤコビ・ベルマン方程式を解くために物理インフォームド・機械学習を利用する。
我々は、状態空間を離散化せずに生成されたデータに基づいて拡張モデルを訓練し、高次元問題への適用を可能にする。
論文 参考訳(メタデータ) (2020-09-11T23:50:17Z)
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。