論文の概要: Enhancing Dynamical System Modeling through Interpretable Machine
Learning Augmentations: A Case Study in Cathodic Electrophoretic Deposition
- arxiv url: http://arxiv.org/abs/2401.08414v1
- Date: Tue, 16 Jan 2024 14:58:21 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-18 09:22:08.079491
- Title: Enhancing Dynamical System Modeling through Interpretable Machine
Learning Augmentations: A Case Study in Cathodic Electrophoretic Deposition
- Title(参考訳): 解釈可能な機械学習拡張による動的システムモデリングの強化:カソード電気泳動堆積を事例として
- Authors: Christian Jacobsen, Jiayuan Dong, Mehdi Khalloufi, Xun Huan, Karthik
Duraisamy, Maryam Akram, Wanjiao Liu
- Abstract要約: 本稿では,物理システムのモデリング向上を目的とした包括的データ駆動フレームワークを提案する。
実証的応用として,電顕的電気泳動沈着(EPD)のモデル化を追求する。
- 参考スコア(独自算出の注目度): 0.8796261172196743
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce a comprehensive data-driven framework aimed at enhancing the
modeling of physical systems, employing inference techniques and machine
learning enhancements. As a demonstrative application, we pursue the modeling
of cathodic electrophoretic deposition (EPD), commonly known as e-coating. Our
approach illustrates a systematic procedure for enhancing physical models by
identifying their limitations through inference on experimental data and
introducing adaptable model enhancements to address these shortcomings. We
begin by tackling the issue of model parameter identifiability, which reveals
aspects of the model that require improvement. To address generalizability , we
introduce modifications which also enhance identifiability. However, these
modifications do not fully capture essential experimental behaviors. To
overcome this limitation, we incorporate interpretable yet flexible
augmentations into the baseline model. These augmentations are parameterized by
simple fully-connected neural networks (FNNs), and we leverage machine learning
tools, particularly Neural Ordinary Differential Equations (Neural ODEs), to
learn these augmentations. Our simulations demonstrate that the machine
learning-augmented model more accurately captures observed behaviors and
improves predictive accuracy. Nevertheless, we contend that while the model
updates offer superior performance and capture the relevant physics, we can
reduce off-line computational costs by eliminating certain dynamics without
compromising accuracy or interpretability in downstream predictions of
quantities of interest, particularly film thickness predictions. The entire
process outlined here provides a structured approach to leverage data-driven
methods. Firstly, it helps us comprehend the root causes of model inaccuracies,
and secondly, it offers a principled method for enhancing model performance.
- Abstract(参考訳): 本稿では,物理システムのモデリング,推論技術の導入,機械学習の強化を目的とした包括的データ駆動フレームワークを提案する。
実証的応用として,eコーティングとして知られる電気泳動沈着 (epd) のモデル化を行った。
提案手法は,実験データに対する推論による制約を同定し,これらの欠点に対処するために適応可能なモデル拡張を導入することで,物理モデルを強化するための体系的な手順を示す。
まず、モデルパラメータ識別可能性の問題に対処し、改善を必要とするモデルの側面を明らかにする。
一般化可能性に対処するために,識別性を高める修正を導入する。
しかし、これらの修正は基本的な実験行動を完全には捉えていない。
この制限を克服するため、ベースラインモデルに解釈可能で柔軟な拡張を組み込む。
これらの拡張は、単純な完全連結ニューラルネットワーク(FNN)によってパラメータ化され、機械学習ツール、特にニューラル正規微分方程式(Neural Ordinary Differential Equations、Neural ODE)を活用して、これらの拡張を学ぶ。
シミュレーションにより,機械学習モデルが観察した行動をより正確に捉え,予測精度を向上させることを示す。
それにもかかわらず、モデル更新は優れた性能を提供し、関連する物理を捉えるが、特に膜厚予測などの下流の予測において、精度や解釈性を損なうことなく、ある種のダイナミクスを排除し、オフラインの計算コストを削減することができる。
ここで概説するプロセス全体は、データ駆動手法を活用するための構造化されたアプローチを提供する。
第一に、モデル不正確な根本原因を理解するのに役立ち、第二に、モデル性能を向上させるための原則的な方法を提供する。
関連論文リスト
- A PAC-Bayesian Perspective on the Interpolating Information Criterion [54.548058449535155]
補間系の性能に影響を及ぼす要因を特徴付ける一般モデルのクラスに対して,PAC-Bayes境界がいかに得られるかを示す。
オーバーパラメータ化モデルに対するテスト誤差が、モデルとパラメータの初期化スキームの組み合わせによって課される暗黙の正規化の品質に依存するかの定量化を行う。
論文 参考訳(メタデータ) (2023-11-13T01:48:08Z) - Robustness and Generalization Performance of Deep Learning Models on
Cyber-Physical Systems: A Comparative Study [71.84852429039881]
調査は、センサーの故障やノイズなど、様々な摂動を扱うモデルの能力に焦点を当てている。
我々は,これらのモデルの一般化と伝達学習能力を,アウト・オブ・ディストリビューション(OOD)サンプルに公開することによって検証する。
論文 参考訳(メタデータ) (2023-06-13T12:43:59Z) - Robust Graph Representation Learning via Predictive Coding [46.22695915912123]
予測符号化は、当初脳の情報処理をモデル化するために開発されたメッセージパッシングフレームワークである。
本研究では,予測符号化のメッセージパス規則に依存するモデルを構築する。
提案したモデルは,帰納的タスクと帰納的タスクの両方において,標準的なモデルに匹敵する性能を示す。
論文 参考訳(メタデータ) (2022-12-09T03:58:22Z) - Online Dynamics Learning for Predictive Control with an Application to
Aerial Robots [3.673994921516517]
予測モデルは学習し、モデルベースのコントローラに適用することができるが、これらのモデルはしばしばオフラインで学習される。
このオフライン設定では、トレーニングデータをまず収集し、精巧なトレーニング手順により予測モデルを学ぶ。
本稿では,デプロイ中の動的モデルの精度を継続的に向上するオンライン動的学習フレームワークを提案する。
論文 参考訳(メタデータ) (2022-07-19T15:51:25Z) - On the Generalization and Adaption Performance of Causal Models [99.64022680811281]
異なる因果発見は、データ生成プロセスを一連のモジュールに分解するために提案されている。
このようなモジュラニューラル因果モデルの一般化と適応性能について検討する。
我々の分析では、モジュラーニューラル因果モデルが、低データレギュレーションにおけるゼロおよび少数ショットの適応において、他のモデルよりも優れていることを示している。
論文 参考訳(メタデータ) (2022-06-09T17:12:32Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳(メタデータ) (2022-06-07T13:51:35Z) - End-to-End Learning of Hybrid Inverse Dynamics Models for Precise and
Compliant Impedance Control [16.88250694156719]
剛体力学モデルの物理的に一貫した慣性パラメータを同定できる新しいハイブリッドモデルの定式化を提案する。
7自由度マニピュレータ上での最先端の逆動力学モデルに対する我々のアプローチを比較した。
論文 参考訳(メタデータ) (2022-05-27T07:39:28Z) - EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。
メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文 参考訳(メタデータ) (2022-02-21T18:59:03Z) - Using scientific machine learning for experimental bifurcation analysis
of dynamic systems [2.204918347869259]
本研究は、極限サイクルを持つ物理非線形力学系に対する普遍微分方程式(UDE)モデルの訓練に焦点をあてる。
数値シミュレーションによりトレーニングデータを生成する例を考察するとともに,提案するモデリング概念を物理実験に適用する。
ニューラルネットワークとガウス過程の両方を、力学モデルと共に普遍近似器として使用し、UDEモデリングアプローチの正確性と堅牢性を批判的に評価する。
論文 参考訳(メタデータ) (2021-10-22T15:43:03Z) - Sparse Flows: Pruning Continuous-depth Models [107.98191032466544]
生成モデルにおいて,プルーニングによりニューラルネットワークの一般化が向上することを示す。
また、プルーニングは、元のネットワークに比べて最大98%少ないパラメータで、精度を損なうことなく、最小かつ効率的なニューラルODE表現を見出すことを示した。
論文 参考訳(メタデータ) (2021-06-24T01:40:17Z) - Prediction-Centric Learning of Independent Cascade Dynamics from Partial
Observations [13.680949377743392]
本稿では,このモデルから生成された予測が正確であるような拡散モデルの学習の問題に対処する。
本稿では,スケーラブルな動的メッセージパッシング手法に基づく計算効率のよいアルゴリズムを提案する。
学習モデルからの抽出可能な推論は,元のモデルと比較して限界確率の予測精度がよいことを示す。
論文 参考訳(メタデータ) (2020-07-13T17:58:21Z)
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。