論文の概要: Physics-Informed Neural Nets-based Control
- arxiv url: http://arxiv.org/abs/2104.02556v1
- Date: Tue, 6 Apr 2021 14:55:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-07 13:58:05.867160
- Title: Physics-Informed Neural Nets-based Control
- Title（参考訳）: 物理インフォームドニューラルネット制御
- Authors: Eric Aislan Antonelo, Eduardo Camponogara, Laio Oriel Seman, Eduardo
Rehbein de Souza, Jean P. Jordanou, Jomi F. Hubner
- Abstract要約: この研究は、Physical-Informed Neural Nets-based Control (PINC)と呼ばれる新しいフレームワークを提示する。
PINCは問題を制御でき、事前に固定されていない長距離時間地平線をシミュレートすることができる。
本手法を2つの非線形動的システムの制御において紹介する。
- 参考スコア（独自算出の注目度）: 5.252190504926357
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Physics-informed neural networks (PINNs) impose known physical laws into the
learning of deep neural networks, making sure they respect the physics of the
process while decreasing the demand of labeled data. For systems represented by
Ordinary Differential Equations (ODEs), the conventional PINN has a continuous
time input variable and outputs the solution of the corresponding ODE. In their
original form, PINNs do not allow control inputs neither can they simulate for
long-range intervals without serious degradation in their predictions. In this
context, this work presents a new framework called Physics-Informed Neural
Nets-based Control (PINC), which proposes a novel PINN-based architecture that
is amenable to control problems and able to simulate for longer-range time
horizons that are not fixed beforehand. First, the network is augmented with
new inputs to account for the initial state of the system and the control
action. Then, the response over the complete time horizon is split such that
each smaller interval constitutes a solution of the ODE conditioned on the
fixed values of initial state and control action. The complete response is
formed by setting the initial state of the next interval to the terminal state
of the previous one. The new methodology enables the optimal control of dynamic
systems, making feasible to integrate a priori knowledge from experts and data
collected from plants in control applications. We showcase our method in the
control of two nonlinear dynamic systems: the Van der Pol oscillator and the
four-tank system.
- Abstract（参考訳）: 物理インフォームドニューラルネットワーク(PINN)は、ディープニューラルネットワークの学習に既知の物理法則を課し、ラベル付きデータの要求を減少させながら、プロセスの物理を尊重することを保証する。
通常微分方程式(ODE)で表されるシステムでは、従来のPINNは連続時間入力変数を持ち、対応するODEの解を出力する。
元の形式では、PINNは制御入力が予測を著しく劣化させることなく長距離区間をシミュレートすることができない。
この文脈において、本研究は、物理学的インフォームドニューラルネットベース制御(pinc)と呼ばれる新しい枠組みを提案する。これは、問題を制御でき、事前に固定されていない長距離時間軸をシミュレートできる、新しいピンベースのアーキテクチャを提案する。
まず、システムの初期状態と制御動作を考慮に入れた新たな入力をネットワークに付加する。
そして、各小さな間隔が初期状態と制御動作の固定値に基づいて条件付けられたodeの解となるように、完全な時間軸上の応答を分割する。
完全な応答は、次の区間の初期状態を前の区間の終端状態に設定して形成する。
新しい手法は動的システムの最適制御を可能にし、制御アプリケーションで植物から収集されたデータと専門家からの事前知識を統合することができる。
本稿では,2つの非線形力学系,Van der Pol発振器と4タンク系の制御について述べる。
関連論文リスト
- Physics-Informed Echo State Networks for Modeling Controllable Dynamical Systems [0.0]
物理インフォームドESN (PI-ESN) は、外部入力のないカオス力学系をモデル化するために最初に提案された。
PI-ESNは、いくつかのデータポイントで以前にトレーニングされた外部入力でESNモデルを正規化することができ、過度な適合を低減し、一般化エラーを改善することができる。
論文 参考訳（メタデータ） (2024-09-27T21:06:24Z) - GradINN: Gradient Informed Neural Network [2.287415292857564]
物理情報ニューラルネットワーク(PINN)にヒントを得た手法を提案する。
GradINNは、システムの勾配に関する事前の信念を利用して、予測関数の勾配を全ての入力次元にわたって制限する。
非時間依存システムにまたがる多様な問題に対するGradINNの利点を実証する。
論文 参考訳（メタデータ） (2024-09-03T14:03:29Z) - Domain-decoupled Physics-informed Neural Networks with Closed-form Gradients for Fast Model Learning of Dynamical Systems [2.8730926763860687]
物理インフォームドニューラルネットワーク(PINN)は、物理方程式を用いて訓練され、データから学習することで、モデル化されていない効果を組み込むことができる。
本稿では、大規模で複雑な非線形力学系を扱う場合のPINCの現在の限界に対処するために、ドメイン分離された物理情報ニューラルネットワーク(DD-PINN)を導入する。
論文 参考訳（メタデータ） (2024-08-27T10:54:51Z) - Learning Neural Constitutive Laws From Motion Observations for
Generalizable PDE Dynamics [97.38308257547186]
多くのNNアプローチは、支配的PDEと物質モデルの両方を暗黙的にモデル化するエンドツーエンドモデルを学ぶ。
PDEの管理はよく知られており、学習よりも明示的に実施されるべきである、と私たちは主張する。
そこで我々は,ネットワークアーキテクチャを利用したニューラル構成則(Neural Constitutive Laws,NCLaw)と呼ばれる新しいフレームワークを導入する。
論文 参考訳（メタデータ） (2023-04-27T17:42:24Z) - NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with
Spatial-temporal Decomposition [67.46012350241969]
本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。
元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。
本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
論文 参考訳（メタデータ） (2023-02-20T19:36:52Z) - Fluid Batching: Exit-Aware Preemptive Serving of Early-Exit Neural
Networks on Edge NPUs [74.83613252825754]
スマートエコシステム(smart ecosystems)"は、スタンドアロンではなく、センセーションが同時に行われるように形成されています。
これはデバイス上の推論パラダイムを、エッジにニューラル処理ユニット(NPU)をデプロイする方向にシフトしている。
そこで本研究では,実行時のプリエンプションが到着・終了プロセスによってもたらされる動的性を考慮に入れた,新しい早期終了スケジューリングを提案する。
論文 参考訳（メタデータ） (2022-09-27T15:04:01Z) - Physics-informed Neural Networks-based Model Predictive Control for
Multi-link Manipulators [0.0]
物理インフォームド機械学習手法を用いて,多体ダイナミクスに対する非線形モデル予測制御(NMPC)について論じる。
本稿では,ネットワーク入力として制御動作と初期条件を付加することでPINNの強化を提案する。
PINNベースのMPCを用いて,複雑な機械システムにおける追跡問題の解法を提案する。
論文 参考訳（メタデータ） (2021-09-22T15:31:24Z) - 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) - Which Neural Network to Choose for Post-Fault Localization, Dynamic
State Estimation and Optimal Measurement Placement in Power Systems? [4.416484585765027]
本稿では,PMU(Phasor Measurement Units)によって監視される電力伝送システムについて検討する。
まず,故障線を同定するニューラルネットワーク(nns)の包括的シーケンスを設計する。
第2に,プレフォールト状態が与えられた場合にトレーニングした先進的なPower-System-Dynamics-InformedおよびNeural-ODEベースの機械学習スキームを構築し,その状態を予測する。
第三に、最初の(フォールトローカリゼーション)設定で作業を続け、最適なPMU配置を発見する(NNベースの)アルゴリズムを設計します。
論文 参考訳（メタデータ） (2021-04-07T13:35:55Z) - Neural ODE Processes [64.10282200111983]
NDP(Neural ODE Process)は、Neural ODEの分布によって決定される新しいプロセスクラスである。
我々のモデルは,少数のデータポイントから低次元システムのダイナミクスを捉えることができることを示す。
論文 参考訳（メタデータ） (2021-03-23T09:32:06Z) - Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。
暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。
これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文 参考訳（メタデータ） (2020-06-08T09:53:35Z)
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。