論文の概要: A Generative Approach to Control Complex Physical Systems

• arxiv url: http://arxiv.org/abs/2407.06494v1
• Date: Tue, 9 Jul 2024 01:56:23 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-10 19:35:13.519768
• Title: A Generative Approach to Control Complex Physical Systems
• Title（参考訳）: 複合物理系制御のための生成的アプローチ
• Authors: Long Wei, Peiyan Hu, Ruiqi Feng, Haodong Feng, Yixuan Du, Tao Zhang, Rui Wang, Yue Wang, Zhi-Ming Ma, Tailin Wu,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 16.733151963652244
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Controlling the evolution of complex physical systems is a fundamental task across science and engineering. Classical techniques suffer from limited applicability or huge computational costs. On the other hand, recent deep learning and reinforcement learning-based approaches often struggle to optimize long-term control sequences under the constraints of system dynamics. In this work, we introduce Diffusion Physical systems Control (DiffPhyCon), a new class of method to address the physical systems control problem. DiffPhyCon excels by simultaneously minimizing both the learned generative energy function and the predefined control objectives across the entire trajectory and control sequence. Thus, it can explore globally and identify near-optimal control sequences. Moreover, we enhance DiffPhyCon with prior reweighting, enabling the discovery of control sequences that significantly deviate from the training distribution. We test our method in 1D Burgers' equation and 2D jellyfish movement control in a fluid environment. Our method outperforms widely applied classical approaches and state-of-the-art deep learning and reinforcement learning methods. Notably, DiffPhyCon unveils an intriguing fast-close-slow-open pattern observed in the jellyfish, aligning with established findings in the field of fluid dynamics.
• Abstract（参考訳）: 複雑な物理システムの進化を制御することは、科学と工学における基本的な課題である。 古典的なテクニックは、適用性や計算コストの制限に悩まされる。 一方,近年の深層学習と強化学習に基づくアプローチは,システム力学の制約下での長期制御シーケンスの最適化に苦慮することが多い。 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、軌道と制御シーケンス全体にわたって定義された制御目的の両方を同時に最小化する。 これにより、世界中を探索し、最適に近い制御シーケンスを特定できる。 さらに、DiffPhyConを事前再重み付けにより強化し、トレーニング分布から著しく逸脱する制御シーケンスの発見を可能にする。 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。 提案手法は,古典的アプローチや最先端の深層学習法,強化学習法よりも優れている。 特にDiffPhyConは、クラゲで観察される興味深い高速クロース・スロー・オープンパターンを公表し、流体力学の分野で確立された発見と一致している。

関連論文リスト

• Closed-loop Diffusion Control of Complex Physical Systems [10.167080282182972]
  物理系制御のための効率的な閉ループ拡散法(CL-DiffPhyCon)を提案する。 CL-DiffPhyConは、異なる物理時間ステップに非同期なdenoisingフレームワークを使用することで、環境からリアルタイムでフィードバックされた制御信号を生成する。 CL-DiffPhyConを1次元バーガースの方程式制御と2次元非圧縮性流体制御の2つのタスクで評価した。
  論文  参考訳（メタデータ） (2024-07-31T14:54:29Z)
• Learning System Dynamics without Forgetting [60.08612207170659]
  未知の力学を持つ系の軌道予測は、物理学や生物学を含む様々な研究分野において重要である。 本稿では,モードスイッチンググラフODE (MS-GODE) の新たなフレームワークを提案する。 生体力学の異なる多様な系を特徴とする生体力学システムの新しいベンチマークを構築した。
  論文  参考訳（メタデータ） (2024-06-30T14:55:18Z)
• Neural Control: Concurrent System Identification and Control Learning with Neural ODE [13.727727205587804]
  ニューラル・コントロール(NC)と呼ばれる未知の力学系を制御するニューラル・ODEに基づく手法を提案する。 本モデルは,対象状態へ誘導する最適制御と同様に,システムダイナミクスを同時に学習する。 実験では,未知の力学系の最適制御を学習するためのモデルの有効性を実証した。
  論文  参考訳（メタデータ） (2024-01-03T17:05:17Z)
• Controlling quantum many-body systems using reduced-order modelling [0.0]
  本稿では,多体量子システムにおける制御問題のクラスを解くための効率的な手法を提案する。 もともとのサブシステムの「デジタルツイン」と見なされる、そのような縮小順序モデルの力学のシミュレーションは、はるかに効率的である。 この結果は、多体システムの研究、非自明な準粒子特性の探索、および量子コンピューティングデバイスの開発管理ツールに直接応用される。
  論文  参考訳（メタデータ） (2022-11-01T13:58:44Z)
• 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)
• Neurosymbolic hybrid approach to driver collision warning [64.02492460600905]
  自律運転システムには2つの主要なアルゴリズムアプローチがある。 ディープラーニングだけでは、多くの分野で最先端の結果が得られています。 しかし、ディープラーニングモデルが機能しない場合、デバッグが非常に難しい場合もあります。
  論文  参考訳（メタデータ） (2022-03-28T20:29:50Z)
• Learning by Doing: Controlling a Dynamical System using Causality, Control, and Reinforcement Learning [27.564435351371653]
  因果性、制御、強化学習に関する質問は、予測の古典的な機械学習タスクを超えて行われる。 異なる視点を組み合わせることでシナジーが生まれると我々は信じており、この競争はこのようなシナジーへの第一歩である。 両方のトラックの目標は、システムを望ましい状態に導く制御を推論することである。
  論文  参考訳（メタデータ） (2022-02-12T12:37:29Z)
• Sparsity in Partially Controllable Linear Systems [56.142264865866636]
  本研究では, 部分制御可能な線形力学系について, 基礎となる空間パターンを用いて検討する。 最適制御には無関係な状態変数を特徴付ける。
  論文  参考訳（メタデータ） (2021-10-12T16:41:47Z)
• 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。