論文の概要: Control of Two-way Coupled Fluid Systems with Differentiable Solvers
- arxiv url: http://arxiv.org/abs/2206.00342v1
- Date: Wed, 1 Jun 2022 09:12:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-02 23:30:57.223364
- Title: Control of Two-way Coupled Fluid Systems with Differentiable Solvers
- Title(参考訳): 微分型解法を有する双方向連成流体系の制御
- Authors: Brener Ramos, Felix Trost, Nils Thuerey
- Abstract要約: 本研究では、複雑な非線形力学系を制御するためにディープニューラルネットワークを用いることを検討する。
ナヴィエ・ストークス方程式を2方向のカップリングで解き、非線形摂動を生じさせる。
提案手法を用いてトレーニングしたコントローラは,評価指標や一般化能力の点で,古典的,学習的な代替品よりも優れていることを示す。
- 参考スコア(独自算出の注目度): 22.435002906710803
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We investigate the use of deep neural networks to control complex nonlinear
dynamical systems, specifically the movement of a rigid body immersed in a
fluid. We solve the Navier Stokes equations with two way coupling, which gives
rise to nonlinear perturbations that make the control task very challenging.
Neural networks are trained in an unsupervised way to act as controllers with
desired characteristics through a process of learning from a differentiable
simulator. Here we introduce a set of physically interpretable loss terms to
let the networks learn robust and stable interactions. We demonstrate that
controllers trained in a canonical setting with quiescent initial conditions
reliably generalize to varied and challenging environments such as previously
unseen inflow conditions and forcing, although they do not have any fluid
information as input. Further, we show that controllers trained with our
approach outperform a variety of classical and learned alternatives in terms of
evaluation metrics and generalization capabilities.
- Abstract(参考訳): 本研究では,複雑な非線形力学系,特に流体に浸漬した剛体の動きを制御するためのディープニューラルネットワークの利用について検討する。
ナビエ・ストークス方程式を2方向のカップリングで解き、非線形摂動を引き起こして制御タスクを非常に困難にする。
ニューラルネットワークは、異なるシミュレータから学習するプロセスを通じて、望ましい特性を持つコントローラとして振る舞う教師なしの方法で訓練される。
本稿では,ネットワークがロバストで安定した相互作用を学習できるように,物理的に解釈可能な損失項を導入する。
本研究では, 初期条件が一定条件の正準条件で訓練されたコントローラが, 入力として流体情報を持たないにも関わらず, 従来は見つからなかった流入条件や強制など, 多様な困難環境に確実に一般化できることを実証する。
さらに,我々のアプローチで訓練されたコントローラは,評価指標や一般化能力の観点から,様々な古典的・学習的な代替手段を上回っていることを示す。
関連論文リスト
- A Generative Approach to Control Complex Physical Systems [16.733151963652244]
本稿では,物理系制御問題に対処する新しい手法である拡散物理系制御(DiffPhyCon)を紹介する。
DiffPhyConは学習した生成エネルギー関数と予め定義された制御目的の両方を同時に最小化する。
本手法を流体環境下での1D Burgers方程式と2Dクラゲ運動制御で検証した。
論文 参考訳(メタデータ) (2024-07-09T01:56:23Z) - Leveraging Low-Rank and Sparse Recurrent Connectivity for Robust
Closed-Loop Control [63.310780486820796]
繰り返し接続のパラメータ化が閉ループ設定のロバスト性にどのように影響するかを示す。
パラメータが少ないクローズドフォーム連続時間ニューラルネットワーク(CfCs)は、フルランクで完全に接続されたニューラルネットワークよりも優れています。
論文 参考訳(メタデータ) (2023-10-05T21:44:18Z) - Controlling dynamical systems to complex target states using machine
learning: next-generation vs. classical reservoir computing [68.8204255655161]
機械学習を用いた非線形力学系の制御は、システムを周期性のような単純な振る舞いに駆動するだけでなく、より複雑な任意の力学を駆動する。
まず, 従来の貯水池計算が優れていることを示す。
次のステップでは、これらの結果を異なるトレーニングデータに基づいて比較し、代わりに次世代貯水池コンピューティングを使用する別のセットアップと比較する。
その結果、通常のトレーニングデータに対して同等のパフォーマンスを提供する一方で、次世代RCは、非常に限られたデータしか利用できない状況において、著しくパフォーマンスが向上していることがわかった。
論文 参考訳(メタデータ) (2023-07-14T07:05:17Z) - FluidLab: A Differentiable Environment for Benchmarking Complex Fluid
Manipulation [80.63838153351804]
複雑な流体力学を含む多種多様な操作タスクを備えたシミュレーション環境であるFluidLabを紹介する。
私たちのプラットフォームの中心には、GPU加速シミュレーションと勾配計算を提供する、完全に微分可能な物理シミュレータがあります。
微分可能物理学と組み合わせたいくつかのドメイン固有最適化スキームを提案する。
論文 参考訳(メタデータ) (2023-03-04T07:24:22Z) - Active Learning of Discrete-Time Dynamics for Uncertainty-Aware Model
Predictive Control [49.60520501097199]
本稿では,非線形ロボットシステムの力学を積極的にモデル化する自己教師型学習手法を提案する。
我々のアプローチは、目に見えない飛行条件に一貫して適応することで、高いレジリエンスと一般化能力を示す。
論文 参考訳(メタデータ) (2022-10-23T00:45:05Z) - Control-oriented meta-learning [25.316358215670274]
我々は、ニューラルネットワークを用いたデータ駆動モデリングを用いて、過去のデータからオフラインで学習し、非線形特徴の内部パラメトリックモデルによる適応制御を行う。
ベースラーナーとして閉ループ追従シミュレーションを用いた適応制御器をメタ学習し,メタ対象として平均追従誤差を推定する。
論文 参考訳(メタデータ) (2022-04-14T03:02:27Z) - Deep Q-learning: a robust control approach [4.125187280299247]
ニューラルネットワークカーネルを用いて不確実な線形時間不変モデルを定式化し,学習を記述する。
周波数領域におけるエージェントの動作を学習し解析することの不安定さを示す。
OpenAI Gym環境における数値シミュレーションにより,$mathcalH_infty$制御学習はDouble Deep Q-learningよりも若干優れていたことが示唆された。
論文 参考訳(メタデータ) (2022-01-21T09:47:34Z) - Online-Learning Deep Neuro-Adaptive Dynamic Inversion Controller for
Model Free Control [1.3764085113103217]
ニュートラル適応コントローラは、新しい重み更新法則に基づいて訓練されたディープニューラルネットワークを特徴とする実装である。
制御器は、非線形プラントを迅速に学習することができ、追従制御問題において優れた性能を示す。
論文 参考訳(メタデータ) (2021-07-21T22:46:03Z) - Trajectory Tracking of Underactuated Sea Vessels With Uncertain
Dynamics: An Integral Reinforcement Learning Approach [2.064612766965483]
積分強化学習に基づくオンライン機械学習メカニズムを提案し,非線形追跡問題のクラスに対する解を求める。
このソリューションは、適応的批評家と勾配降下アプローチを用いて実現されるオンライン価値反復プロセスを用いて実装される。
論文 参考訳(メタデータ) (2021-04-01T01:41:49Z) - Deluca -- A Differentiable Control Library: Environments, Methods, and
Benchmarking [52.44199258132215]
我々は、微分可能な物理学とロボティクス環境のオープンソースライブラリを提示する。
ライブラリには,OpenAI Gymの古典的なコントロール設定など,いくつかのポピュラーな環境がある。
ライブラリを使用して得られた新しい科学的結果のいくつかのユースケースを提供します。
論文 参考訳(メタデータ) (2021-02-19T15:06:47Z) - Learning to Control PDEs with Differentiable Physics [102.36050646250871]
本稿では,ニューラルネットワークが長い時間をかけて複雑な非線形物理系の理解と制御を学べる新しい階層型予測器・相関器手法を提案する。
本手法は,複雑な物理系の理解に成功し,PDEに関わるタスクに対してそれらを制御できることを実証する。
論文 参考訳(メタデータ) (2020-01-21T11:58:41Z)
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。