論文の概要: Implicit energy regularization of neural ordinary-differential-equation control

• arxiv url: http://arxiv.org/abs/2103.06525v1
• Date: Thu, 11 Mar 2021 08:28:15 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-12 23:40:48.598186
• Title: Implicit energy regularization of neural ordinary-differential-equation control
• Title（参考訳）: ニューラル常微分方程式制御の入射エネルギー正規化
• Authors: Lucas B\"ottcher and Nino Antulov-Fantulin and Thomas Asikis
• Abstract要約: 暗黙的なエネルギー正規化を伴う汎用型ニューラル常微分方程式制御(NODEC)フレームワークを提案する。 nodecは動的システムを、予め定義された時間内に、望ましいターゲット状態に向けて制御できることを実証する。
• 参考スコア（独自算出の注目度）: 3.5880535198436156
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Although optimal control problems of dynamical systems can be formulated within the framework of variational calculus, their solution for complex systems is often analytically and computationally intractable. In this Letter we present a versatile neural ordinary-differential-equation control (NODEC) framework with implicit energy regularization and use it to obtain neural-network-generated control signals that can steer dynamical systems towards a desired target state within a predefined amount of time. We demonstrate the ability of NODEC to learn control signals that closely resemble those found by corresponding optimal control frameworks in terms of control energy and deviation from the desired target state. Our results suggest that NODEC is capable to solve a wide range of control and optimization problems, including those that are analytically intractable.
• Abstract（参考訳）: 力学系の最適制御問題は変分計算の枠組みの中で定式化できるが、複雑な系に対する解はしばしば解析的かつ計算的に難解である。 このレターでは、暗黙のエネルギー正規化を伴う汎用的な神経常微分方程式制御(nodec)フレームワークを提示し、それを用いて、予め定義された時間内に、所望のターゲット状態に向かって動的システムを制御できるニューラルネットワーク生成制御信号を得る。 我々は、制御エネルギーと所望の目標状態からの逸脱の観点から、対応する最適制御フレームワークによく似た制御信号を学習するNODECの能力を実証する。 この結果から,NODECは解析的難易度を含む幅広い制御と最適化の問題を解くことができることが示唆された。

関連論文リスト

• Receding Hamiltonian-Informed Optimal Neural Control and State Estimation for Closed-Loop Dynamical Systems [4.05766189327054]
  Hamiltonian-Informed Optimal Neural (Hion) コントローラは、動的システムのためのニューラルネットワークベースの新しいクラスである。 ヒオンコントローラは将来の状態を推定し、ポントリャーギンの原理を用いて最適制御入力を計算する。
  論文  参考訳（メタデータ） (2024-11-02T16:06:29Z)
• 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)
• Pontryagin Optimal Control via Neural Networks [19.546571122359534]
  我々は,ニューラルネットワークをポントリャーギンの最大原理(PMP)と統合し,NN-PMP-Gradient の効率的なフレームワークを提案する。 結果として生じるコントローラは、未知の複雑な力学を持つシステムに実装することができる。 モデルフリーおよびモデルベース強化学習(RL)アルゴリズムと比較して, NN-PMP-Gradientは, 制御目的の観点から高いサンプル効率と性能を実現する。
  論文  参考訳（メタデータ） (2022-12-30T06:47:03Z)
• 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)
• Near-optimal control of dynamical systems with neural ordinary differential equations [0.0]
  ディープラーニングとニューラルネットワークに基づく最適化の最近の進歩は、高次元力学系を含む制御問題を解くのに役立つ方法の開発に寄与している。 まず、時間を通して切り詰められた非切り抜きのバックプロパゲーションが、実行時のパフォーマンスとニューラルネットワークが最適な制御関数を学習する能力にどのように影響するかを分析する。
  論文  参考訳（メタデータ） (2022-06-22T14:11:11Z)
• Sparsity in Partially Controllable Linear Systems [56.142264865866636]
  本研究では, 部分制御可能な線形力学系について, 基礎となる空間パターンを用いて検討する。 最適制御には無関係な状態変数を特徴付ける。
  論文  参考訳（メタデータ） (2021-10-12T16:41:47Z)
• Gaussian Process-based Min-norm Stabilizing Controller for Control-Affine Systems with Uncertain Input Effects and Dynamics [90.81186513537777]
  本稿では,この問題の制御・アフィン特性を捉えた新しい化合物カーネルを提案する。 この結果の最適化問題は凸であることを示し、ガウス過程に基づく制御リャプノフ関数第二次コーンプログラム(GP-CLF-SOCP)と呼ぶ。
  論文  参考訳（メタデータ） (2020-11-14T01:27:32Z)
• Neural Ordinary Differential Equation Control of Dynamics on Graphs [2.750124853532831]
  本研究では, 連続時間非線形力学系の軌道を制御し, フィードバック制御信号を計算するニューラルネットワークの能力について検討する。 我々はニューラルネットワーク制御(NODEC)フレームワークを提案し、グラフ力学系を所望の目標状態に駆動するフィードバック制御信号を学習できることを見出した。
  論文  参考訳（メタデータ） (2020-06-17T10:47:03Z)
• Adaptive Control and Regret Minimization in Linear Quadratic Gaussian (LQG) Setting [91.43582419264763]
  我々は不確実性に直面した楽観主義の原理に基づく新しい強化学習アルゴリズムLqgOptを提案する。 LqgOptはシステムのダイナミクスを効率的に探索し、モデルのパラメータを信頼区間まで推定し、最も楽観的なモデルのコントローラをデプロイする。
  論文  参考訳（メタデータ） (2020-03-12T19:56:38Z)
• Time-local optimal control for parameter estimation in the Gaussian regime [68.8204255655161]
  瞬時制御ユニタリは、オープンダイナミクスによって引き起こされる情報の減少を軽減するために用いられる。 このような制御に対して、局所的に最適な(時間内での)選択は、量子フィッシャー情報の時間微分を最大化するものである。
  論文  参考訳（メタデータ） (2020-01-10T16:24:31Z)

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。