論文の概要: Physics-Informed Machine Learning for Modeling and Control of Dynamical Systems

• arxiv url: http://arxiv.org/abs/2306.13867v1
• Date: Sat, 24 Jun 2023 05:24:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-27 18:41:34.479342
• Title: Physics-Informed Machine Learning for Modeling and Control of Dynamical Systems
• Title（参考訳）: 力学系のモデリングと制御のための物理インフォームド機械学習
• Authors: Truong X. Nghiem (1), J\'an Drgo\v{n}a (2), Colin Jones (3), Zoltan Nagy (4), Roland Schwan (3), Biswadip Dey (5), Ankush Chakrabarty (6), Stefano Di Cairano (6), Joel A. Paulson (7), Andrea Carron (8), Melanie N. Zeilinger (8), Wenceslao Shaw Cortez (2), and Draguna L. Vrabie (2) ((1) School of Informatics, Computing, and Cyber Systems, Northern Arizona University, Flagstaff, USA, (2) Pacific Northwest National Laboratory, Richland, USA, (3) EPFL, Switzerland, (4) The University of Texas at Austin, USA, (5) Siemens Corporation Technology, Princeton, USA, (6) Mitsubishi Electric Research Laboratories, Cambridge, USA, (7) The Ohio State University, Columbus, USA, (8) ETH Zurich, Switzerland)
• Abstract要約: 物理インフォームド機械学習(英: Physics-informed machine learning、PIML)は、機械学習(ML)アルゴリズムを物理的制約と体系的に統合する手法とツールのセットである。 PIMLの基本前提は、MLと物理の統合により、より効率的で、物理的に一貫性があり、データ効率のよいモデルが得られることである。 本稿では,動的システムモデリングと制御のためのPIMLの最近の進歩について,チュートリアルのような概要を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Physics-informed machine learning (PIML) is a set of methods and tools that systematically integrate machine learning (ML) algorithms with physical constraints and abstract mathematical models developed in scientific and engineering domains. As opposed to purely data-driven methods, PIML models can be trained from additional information obtained by enforcing physical laws such as energy and mass conservation. More broadly, PIML models can include abstract properties and conditions such as stability, convexity, or invariance. The basic premise of PIML is that the integration of ML and physics can yield more effective, physically consistent, and data-efficient models. This paper aims to provide a tutorial-like overview of the recent advances in PIML for dynamical system modeling and control. Specifically, the paper covers an overview of the theory, fundamental concepts and methods, tools, and applications on topics of: 1) physics-informed learning for system identification; 2) physics-informed learning for control; 3) analysis and verification of PIML models; and 4) physics-informed digital twins. The paper is concluded with a perspective on open challenges and future research opportunities.
• Abstract（参考訳）: 物理インフォームド・機械学習(英: Physics-informed machine learning、PIML)は、機械学習(ML)アルゴリズムを物理的制約と抽象数学的モデルと体系的に統合する手法とツールのセットである。 純粋にデータ駆動の手法とは対照的に、PIMLモデルはエネルギーや大量保存といった物理法則を強制することによって得られる追加情報から訓練することができる。 より広範に、PIMLモデルは、安定性、凸性、不変性などの抽象的性質や条件を含むことができる。 PIMLの基本前提は、MLと物理の統合により、より効率的で、物理的に一貫性があり、データ効率のよいモデルが得られることである。 本稿では,動的システムモデリングと制御のためのPIMLの最近の進歩に関するチュートリアル的な概要を提供する。 具体的には、以下のトピックに関する理論、基本的な概念、方法、ツール、応用について概説する。 1) システム識別のための物理情報学習 2)制御のための物理情報学習 3) pimlモデルの解析と検証,及び 4)物理インフォームドデジタル双生児。 本論文は,オープンチャレンジと今後の研究機会を視点としてまとめる。

関連論文リスト

• Machine Learning Applications to Computational Plasma Physics and Reduced-Order Plasma Modeling: A Perspective [0.0]
  このパースペクティブは、流体力学における機械学習の進歩を計算プラズマ物理学に転送するためのロードマップを概説することを目的としている。 まず、MLアルゴリズムの様々なカテゴリや、MLの助けを借りて解決できるさまざまなタイプの問題など、MLの基本的な側面について議論する。 次に,計算流体力学におけるMLの使用例について述べる。
  論文  参考訳（メタデータ） (2024-09-04T00:35:55Z)
• Recent Advances on Machine Learning for Computational Fluid Dynamics: A Survey [51.87875066383221]
  本稿では、基本概念、従来の手法、ベンチマークデータセットを紹介し、CFDを改善する上で機械学習が果たす様々な役割について検討する。 我々は,空気力学,燃焼,大気・海洋科学,生物流体,プラズマ,記号回帰,秩序の低減など,CFDにおけるMLの現実的な応用を強調した。 シミュレーションの精度を向上し、計算時間を短縮し、流体力学のより複雑な解析を可能にすることにより、MLはCFD研究を大きく変革する可能性があるという結論を導いた。
  論文  参考訳（メタデータ） (2024-08-22T07:33:11Z)
• Physics-Informed Machine Learning for Smart Additive Manufacturing [2.3091320511105353]
  本稿では、ニューラルネットワークと物理法則を統合した物理インフォームド・機械学習(PIML)モデルの開発に焦点をあて、レーザー金属堆積(LMD)におけるケーススタディによるモデル精度、透明性、一般化について述べる。
  論文  参考訳（メタデータ） (2024-07-15T14:40:24Z)
• A Review of Physics-Informed Machine Learning Methods with Applications to Condition Monitoring and Anomaly Detection [1.124958340749622]
  PIMLは、既知の物理法則と制約を機械学習アルゴリズムに組み込んだものである。 本研究では,条件モニタリングの文脈におけるPIML技術の概要を概観する。
  論文  参考訳（メタデータ） (2024-01-22T11:29:44Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• A Critical Review of Physics-Informed Machine Learning Applications in Subsurface Energy Systems [0.0]
  物理インフォームド機械学習(PIML)技術は、物理原理をデータ駆動モデルに統合する。 PIMLは、モデルの一般化、物理法則の遵守、解釈可能性を改善する。 本稿では,主に石油・ガス産業における地下エネルギーシステムに関するPIML応用について概説する。
  論文  参考訳（メタデータ） (2023-08-06T18:20:24Z)
• When Physics Meets Machine Learning: A Survey of Physics-Informed Machine Learning [14.296078151381591]
  物理インフォームド機械学習(PIML)は、トレーニングデータの不足を軽減し、モデルの一般化性を高め、結果の物理的妥当性を確保する効果的な方法である。 1)PIMLの動機,(2)PIMLの物理知識,(3)PIMLの物理知識統合の方法の3つの側面から,PIMLにおける最近の多くの研究を概説する。
  論文  参考訳（メタデータ） (2022-03-31T04:58:27Z)
• Symmetry Group Equivariant Architectures for Physics [52.784926970374556]
  機械学習の分野では、対称性に対する認識が目覚ましいパフォーマンスのブレークスルーを引き起こしている。 物理学のコミュニティと、より広い機械学習のコミュニティの両方に、理解すべきことがたくさんある、と私たちは主張する。
  論文  参考訳（メタデータ） (2022-03-11T18:27:04Z)
• Which priors matter? Benchmarking models for learning latent dynamics [70.88999063639146]
  古典力学の先行概念を機械学習モデルに統合する手法が提案されている。 これらのモデルの現在の機能について、精査する。 連続的および時間的可逆的ダイナミクスの使用は、すべてのクラスのモデルに恩恵をもたらす。
  論文  参考訳（メタデータ） (2021-11-09T23:48:21Z)
• Constructing Neural Network-Based Models for Simulating Dynamical Systems [59.0861954179401]
  データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。 本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。 基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
  論文  参考訳（メタデータ） (2021-11-02T10:51:42Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)

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。