論文の概要: Optimal sequential decision making with probabilistic digital twins
- arxiv url: http://arxiv.org/abs/2103.07405v1
- Date: Fri, 12 Mar 2021 17:06:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-15 13:29:06.476938
- Title: Optimal sequential decision making with probabilistic digital twins
- Title（参考訳）: 確率的デジタル双子を用いた最適逐次決定法
- Authors: Christian Agrell, Kristina Rognlien Dahl, Andreas Hafver
- Abstract要約: デジタル双子は多くの業界で登場しており、典型的にはシミュレーションモデルと特定の物理システムに関連するデータで構成されている。
デジタル双生児を開発する主な理由の1つは、物理的なシステム自体に干渉することなく、与えられたアクションの結果のシミュレーションを可能にすることである。
したがって、システムと環境の確率的表現は、特にアクションが深刻な結果をもたらす可能性のあるアプリケーション領域における決定を支援するために要求される。
- 参考スコア（独自算出の注目度）: 3.6095388702618414
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Digital twins are emerging in many industries, typically consisting of
simulation models and data associated with a specific physical system. One of
the main reasons for developing a digital twin, is to enable the simulation of
possible consequences of a given action, without the need to interfere with the
physical system itself. Physical systems of interest, and the environments they
operate in, do not always behave deterministically. Moreover, information about
the system and its environment is typically incomplete or imperfect.
Probabilistic representations of systems and environments may therefore be
called for, especially to support decisions in application areas where actions
may have severe consequences.
In this paper we introduce the probabilistic digital twin (PDT). We will
start by discussing how epistemic uncertainty can be treated using measure
theory, by modelling epistemic information via $\sigma$-algebras. Based on
this, we give a formal definition of how epistemic uncertainty can be updated
in a PDT. We then study the problem of optimal sequential decision making. That
is, we consider the case where the outcome of each decision may inform the
next. Within the PDT framework, we formulate this optimization problem. We
discuss how this problem may be solved (at least in theory) via the maximum
principle method or the dynamic programming principle. However, due to the
curse of dimensionality, these methods are often not tractable in practice. To
mend this, we propose a generic approximate solution using deep reinforcement
learning together with neural networks defined on sets. We illustrate the
method on a practical problem, considering optimal information gathering for
the estimation of a failure probability.
- Abstract（参考訳）: デジタル双子は多くの業界で登場しており、典型的にはシミュレーションモデルと特定の物理システムに関連するデータで構成されている。
デジタル双生児を開発する主な理由の1つは、物理的なシステム自体に干渉することなく、与えられたアクションの結果のシミュレーションを可能にすることである。
興味のある物理的システムとそれらが操作する環境は、常に決定論的に振る舞うとは限らない。
さらに、システムとその環境に関する情報は通常不完全または不完全です。
したがって、システムと環境の確率的表現は、特にアクションが深刻な結果をもたらす可能性のあるアプリケーション領域における決定を支援するために要求される。
本稿では,確率論的ディジタルツイン(PDT)を紹介する。
まずは、$\sigma$-algebrasを介してててんかん情報をモデル化することにより、測定理論を用いてててんかんの不確実性をどのように扱うことができるかについて議論する。
これに基づいて、疫学の不確実性をPDTでどのように更新できるかを公式に定義します。
次に、最適な逐次意思決定の問題を研究する。
すなわち、各決定の結果が次の決定を知らせる可能性がある場合を考える。
PDTフレームワーク内ではこの最適化問題を定式化する。
この問題を(少なくとも理論上は)最大原理法や動的プログラミング原理によってどのように解決するかを議論する。
しかし、次元の呪いのために、これらの方法は実際には扱いにくいことが多い。
そこで本研究では,深層強化学習と集合上に定義されたニューラルネットワークを用いた汎用近似解を提案する。
本手法は,故障確率の推定に最適な情報収集を考慮し,実用的課題の解法を示す。
関連論文リスト
- Predicting Probabilities of Error to Combine Quantization and Early Exiting: QuEE [68.6018458996143]
本稿では,量子化と早期出口動的ネットワークを組み合わせたより一般的な動的ネットワークQuEEを提案する。
我々のアルゴリズムは、ソフトアーリーエグジットや入力依存圧縮の一形態と見なすことができる。
提案手法の重要な要素は、さらなる計算によって実現可能な潜在的な精度向上の正確な予測である。
論文 参考訳（メタデータ） (2024-06-20T15:25:13Z) - Mathematical Opportunities in Digital Twins (MATH-DT) [0.0]
デジタル双生児(Digital twins, DT)は、物理的システムの意思決定を支援する。
DTは、特定のエコシステム、オブジェクト、あるいは現実を表す人から始まり、マルチスケールの物理モデリングと結合を必要とします。
普遍的なモデルやアプローチは存在しない。例えば、予測のためのカルマンフィルタは工学では機能するが、生物医学領域では機能しない。
論文 参考訳（メタデータ） (2024-02-15T21:01:29Z) - Online POMDP Planning with Anytime Deterministic Guarantees [11.157761902108692]
不確実性の下での計画は、部分的に観測可能なマルコフ決定プロセス(POMDP)を用いて数学的に定式化できる
POMDPの最適計画を見つけるには計算コストがかかり、小さなタスクにのみ適用可能である。
簡便な解と理論的に最適な解との決定論的関係を導出する。
論文 参考訳（メタデータ） (2023-10-03T04:40:38Z) - An information field theory approach to Bayesian state and parameter estimation in dynamical systems [0.0]
本稿では、連続時間決定論的力学系に適した状態とパラメータ推定のためのスケーラブルなベイズ的手法を開発する。
システム応答の関数空間に物理インフォームドされた事前確率測度を構築し、物理を満たす関数がより高い確率で現れるようにする。
論文 参考訳（メタデータ） (2023-06-03T16:36:43Z) - Probabilistic machine learning based predictive and interpretable
digital twin for dynamical systems [0.0]
ディジタルツインを更新するための2つのアプローチが提案されている。
どちらの場合も、更新されたデジタル双生児の表現は同一である。
提案手法は、ディジタル双対モデルにおける摂動の正確な説明を提供する。
論文 参考訳（メタデータ） (2022-12-19T04:25:59Z) - Extension of Dynamic Mode Decomposition for dynamic systems with
incomplete information based on t-model of optimal prediction [69.81996031777717]
動的モード分解は、動的データを研究するための非常に効率的な手法であることが証明された。
このアプローチの適用は、利用可能なデータが不完全である場合に問題となる。
本稿では,森-Zwanzig分解の1次近似を考察し,対応する最適化問題を記述し,勾配に基づく最適化法を用いて解く。
論文 参考訳（メタデータ） (2022-02-23T11:23:59Z) - Learning Physical Concepts in Cyber-Physical Systems: A Case Study [72.74318982275052]
本稿では,時系列データにおける物理概念の学習方法に関する研究の現状について概説する。
また,3タンクシステムの例を用いて,最先端技術から最も重要な手法を分析した。
論文 参考訳（メタデータ） (2021-11-28T14:24:52Z) - FEM-based Real-Time Simulations of Large Deformations with Probabilistic
Deep Learning [1.2617078020344616]
負荷下での超弾性体の応答を予測できる高効率なディープラーニングサロゲートフレームワークを提案する。
このフレームワークは、特殊な畳み込みニューラルネットワークアーキテクチャ(いわゆるU-Net)の形式を採っている。
論文 参考訳（メタデータ） (2021-11-02T20:05:22Z) - Characterizing possible failure modes in physics-informed neural
networks [55.83255669840384]
科学機械学習における最近の研究は、いわゆる物理情報ニューラルネットワーク(PINN)モデルを開発した。
既存のPINN方法論は比較的自明な問題に対して優れたモデルを学ぶことができるが、単純なPDEであっても、関連する物理現象を学習するのに失敗する可能性があることを実証する。
これらの障害モードは,NNアーキテクチャの表現力の欠如によるものではなく,PINNのセットアップによって損失状況の最適化が極めて困難であることを示す。
論文 参考訳（メタデータ） (2021-09-02T16:06:45Z) - The Causal Neural Connection: Expressiveness, Learnability, and
Inference [125.57815987218756]
構造因果モデル (Structuor causal model, SCM) と呼ばれるオブジェクトは、調査中のシステムのランダムな変動のメカニズムと源の集合を表す。
本稿では, 因果的階層定理 (Thm. 1, Bareinboim et al., 2020) がまだニューラルモデルに対して成り立っていることを示す。
我々はニューラル因果モデル(NCM)と呼ばれる特殊なタイプのSCMを導入し、因果推論に必要な構造的制約をエンコードする新しいタイプの帰納バイアスを定式化する。
論文 参考訳（メタデータ） (2021-07-02T01:55:18Z) - Offline Model-Based Optimization via Normalized Maximum Likelihood
Estimation [101.22379613810881]
データ駆動最適化の問題を検討し、一定の点セットでクエリのみを与えられた関数を最大化する必要がある。
この問題は、関数評価が複雑で高価なプロセスである多くの領域に現れる。
我々は,提案手法を高容量ニューラルネットワークモデルに拡張可能なトラクタブル近似を提案する。
論文 参考訳（メタデータ） (2021-02-16T06:04:27Z)
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。