論文の概要: Physically Consistent Neural Networks for building thermal modeling: theory and analysis

• arxiv url: http://arxiv.org/abs/2112.03212v1
• Date: Mon, 6 Dec 2021 18:12:50 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-07 16:23:55.859395
• Title: Physically Consistent Neural Networks for building thermal modeling: theory and analysis
• Title（参考訳）: 熱モデル構築のための物理的に一貫性のあるニューラルネットワーク:理論と解析
• Authors: Loris Di Natale, Bratislav Svetozarevic, Philipp Heer, and Colin N. Jones
• Abstract要約: 我々はPhysically Consistent NN(PCNN)と呼ばれる新しい物理インフォームNNアーキテクチャを提案する。 PCNNは過去の運用データのみを必要とし、従来のNNと並行して動作するリニアモジュールの事前知識を含むエンジニアリングオーバーヘッドは不要である。 ケーススタディでは,PCNNが古典物理学に基づく抵抗容量モデルよりも50%以上の精度を達成している。
• 参考スコア（独自算出の注目度）: 0.13499500088995461
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Due to their high energy intensity, buildings play a major role in the current worldwide energy transition. Building models are ubiquitous since they are needed at each stage of the life of buildings, i.e. for design, retrofitting, and control operations. Classical white-box models, based on physical equations, are bound to follow the laws of physics but the specific design of their underlying structure might hinder their expressiveness and hence their accuracy. On the other hand, black-box models are better suited to capture nonlinear building dynamics and thus can often achieve better accuracy, but they require a lot of data and might not follow the laws of physics, a problem that is particularly common for neural network (NN) models. To counter this known generalization issue, physics-informed NNs have recently been introduced, where researchers introduce prior knowledge in the structure of NNs to ground them in known underlying physical laws and avoid classical NN generalization issues. In this work, we present a novel physics-informed NN architecture, dubbed Physically Consistent NN (PCNN), which only requires past operational data and no engineering overhead, including prior knowledge in a linear module running in parallel to a classical NN. We formally prove that such networks are physically consistent -- by design and even on unseen data -- with respect to different control inputs and temperatures outside and in neighboring zones. We demonstrate their performance on a case study, where the PCNN attains an accuracy up to $50\%$ better than a classical physics-based resistance-capacitance model on $3$-day long prediction horizons. Furthermore, despite their constrained structure, PCNNs attain similar performance to classical NNs on the validation data, overfitting the training data less and retaining high expressiveness to tackle the generalization issue.
• Abstract（参考訳）: 高いエネルギー強度のため、建物は現在の世界のエネルギー移動において重要な役割を果たしている。 建築モデルは、建築のライフサイクルの各段階、すなわち設計、改造、制御操作において必要とされるため、ユビキタスである。 物理方程式に基づく古典的なホワイトボックスモデルは物理学の法則に従わなければならないが、その基礎となる構造の設計は表現性を妨げ、したがって精度を損なう可能性がある。 一方で、ブラックボックスモデルは、非線形なビルディングダイナミクスをキャプチャするのに適しているため、精度が向上することが多いが、多くのデータを必要とし、特にニューラルネットワーク(nn)モデルでよく見られる問題である物理学の法則に従わない可能性がある。 この既知の一般化問題に対抗するために、近年、研究者はnnの構造に関する事前の知識を導入し、既知の物理法則を基礎にし、古典的nn一般化問題を回避する。 本研究では,従来の NN と平行に動作する線形モジュールの事前知識を含む,過去の運用データと工学的オーバーヘッドを伴わない物理不変NN (PCNN) アーキテクチャを提案する。 このようなネットワークは、外部や近隣のゾーンで異なる制御入力や温度に対して、設計や目に見えないデータに対して、物理的に一貫性があることを正式に証明します。 ケーススタディでは,PCNNが3日間の予測地平線上での古典的な物理ベースの抵抗容量モデルよりも50\%の精度で性能を向上することを示した。 さらに,その制約された構造にもかかわらず,PCNNは検証データ上での古典的NNと同じような性能を達成し,トレーニングデータを過度に適合させ,一般化問題に対処するために高い表現性を維持する。

関連論文リスト

• CTRQNets & LQNets: Continuous Time Recurrent and Liquid Quantum Neural Networks [76.53016529061821]
  Liquid Quantum Neural Network (LQNet) とContinuous Time Recurrent Quantum Neural Network (CTRQNet) を開発した。 LQNetとCTRQNetは、バイナリ分類によってCIFAR 10で40%の精度向上を実現している。
  論文  参考訳（メタデータ） (2024-08-28T00:56:03Z)
• Physics-Informed Neural Networks with Hard Linear Equality Constraints [9.101849365688905]
  本研究は,線形等式制約を厳格に保証する物理インフォームドニューラルネットワークKKT-hPINNを提案する。 溶融タンク炉ユニット, 抽出蒸留サブシステム, 化学プラントのアスペンモデル実験により, このモデルが予測精度をさらに高めることを示した。
  論文  参考訳（メタデータ） (2024-02-11T17:40:26Z)
• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• 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)
• Physics-Informed Neural Networks for Time-Domain Simulations: Accuracy, Computational Cost, and Flexibility [0.0]
  物理インフォームドニューラルネットワーク(PINN)は,非線形力学系の計算を劇的に高速化するための,有望なソリューションである。 本研究では,負荷変動に対する動的応答に着目し,これらの手法の適用性について検討する。 そこで本研究では,損失関数に勾配に基づく項を導入することにより,ニューラルネットワーク(NN)トレーニングの新たな正規化を提案する。
  論文  参考訳（メタデータ） (2023-03-15T23:53:32Z)
• Towards Scalable Physically Consistent Neural Networks: an Application to Data-driven Multi-zone Thermal Building Models [0.0]
  物理的に一貫性のあるニューラルネットワーク(PCNN)が最近開発された。 そこで本研究では,PCNNの温度特性をモデル化し,従来のグレーボックス法とブラックボックス法とを徹底的に比較する手法を提案する。 PCNNは、制約された構造にもかかわらず、最先端の精度を達成し、古典的なNNベースモデルよりも優れていることが示されている。
  論文  参考訳（メタデータ） (2022-12-23T14:53:09Z)
• Bayesian Physics-Informed Neural Networks for real-world nonlinear dynamical systems [0.0]
  ニューラルネットワーク、物理情報モデリング、ベイズ推論を組み合わせることで、データ、物理、不確実性を統合します。 本研究は,ニューラルネットワーク,ベイジアン推論,および両者の組み合わせの固有の長所と短所を明らかにする。 我々は、基礎となる概念や傾向が、より複雑な疾患の状況に一般化されることを期待する。
  論文  参考訳（メタデータ） (2022-05-12T19:04:31Z)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• The dilemma of quantum neural networks [63.82713636522488]
  量子ニューラルネットワーク(QNN)は、古典的な学習モデルに対して何の恩恵も与えないことを示す。 QNNは、現実世界のデータセットの一般化が不十分な、極めて限られた有効モデル能力に悩まされている。 これらの結果から、現在のQNNの役割を再考し、量子的優位性で現実の問題を解決するための新しいプロトコルを設計せざるを得ない。
  論文  参考訳（メタデータ） (2021-06-09T10:41:47Z)
• Phase Detection with Neural Networks: Interpreting the Black Box [58.720142291102135]
  ニューラルネットワーク(NN)は通常、予測の背後にある推論に対する洞察を妨げます。 本研究では,1次元拡張スピンレスFermi-Hubbardモデルの位相を半充足で予測するために,NNのブラックボックスをいかに影響関数が解き放つかを示す。
  論文  参考訳（メタデータ） (2020-04-09T17:45:45Z)

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。