論文の概要: Multimodal Policies with Physics-informed Representations

• arxiv url: http://arxiv.org/abs/2410.15250v1
• Date: Sun, 20 Oct 2024 01:56:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-22 13:17:35.343868
• Title: Multimodal Policies with Physics-informed Representations
• Title（参考訳）: 物理インフォームド表現を用いたマルチモーダルポリシ
• Authors: Haodong Feng, Peiyan Hu, Yue Wang, Dixia Fan,
• Abstract要約: PDEシステムの制御問題では、その決定を下すためには観察が重要である。 我々はPDEシステムの制御におけるマルチモーダルポリシーのための物理情報表現(PIR)アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 3.0253681238542076
• License:
• Abstract: In the control problems of the PDE systems, observation is important to make the decision. However, the observation is generally sparse and missing in practice due to the limitation and fault of sensors. The above challenges cause observations with uncertain quantities and modalities. Therefore, how to leverage the uncertain observations as the states in control problems of the PDE systems has become a scientific problem. The dynamics of PDE systems rely on the initial conditions, boundary conditions, and PDE formula. Given the above three elements, PINNs can be used to solve the PDE systems. In this work, we discover that the neural network can also be used to identify and represent the PDE systems using PDE loss and sparse data loss. Inspired by the above discovery, we propose a Physics-Informed Representation (PIR) algorithm for multimodal policies in PDE systems' control. It leverages PDE loss to fit the neural network and data loss calculated on the observations with random quantities and modalities to propagate the information of initial conditions and boundary conditions into the inputs. The inputs can be the learnable parameters or the output of the encoders. Then, under the environments of the PDE systems, such inputs are the representation of the current state. In our experiments, the PIR illustrates the superior consistency with the features of the ground truth compared with baselines, even when there are missing modalities. Furthermore, PIR has been successfully applied in the downstream control tasks where the robot leverages the learned state by PIR faster and more accurately, passing through the complex vortex street from a random starting location to reach a random target.
• Abstract（参考訳）: PDEシステムの制御問題では、その決定を下すためには観察が重要である。 しかし、センサーの限界と欠陥のため、観測は概して疎外であり、実際は欠落している。 上記の課題は、不確実な量とモダリティによる観察を引き起こす。 したがって、PDEシステムの制御問題における状態として不確実な観測をどのように活用するかは科学的問題となっている。 PDEシステムの力学は、初期条件、境界条件、PDE公式に依存している。 上記の3つの要素を考えると、PINNはPDEシステムを解くのに使える。 本研究では、PDE損失とスパースデータ損失を用いて、ニューラルネットワークを用いてPDEシステムを特定し、表現することができることを明らかにする。 上記の発見に触発されて,PDEシステムの制御におけるマルチモーダルポリシーのための物理情報表現(PIR)アルゴリズムを提案する。 これはPDE損失を利用して、ニューラルネットワークとランダムな量とモダリティで計算されたデータ損失に適合し、初期条件と境界条件に関する情報を入力に伝達する。 入力は学習可能なパラメータやエンコーダの出力である。 そして、PDEシステムの環境下では、そのような入力は現在の状態の表現である。 我々の実験では、PIRは、モダリティが欠如している場合でも、ベースラインと比較して、基底真理の特徴との整合性が優れていることを示す。 さらに、ロボットが学習状態をPIRにより高速かつ正確に活用する下流制御タスクにおいて、ランダムな開始位置から複雑な渦路を通過してランダムな目標に達するように、PIRをうまく適用している。

関連論文リスト

• Unisolver: PDE-Conditional Transformers Are Universal PDE Solvers [55.0876373185983]
  広範にPDEを解くことができるUniversal PDEソルバ(Unisolver)を提案する。 私たちの重要な発見は、PDEソリューションが基本的に一連のPDEコンポーネントの制御下にあることです。 Unisolverは3つの挑戦的な大規模ベンチマークにおいて、一貫した最先端の結果を達成する。
  論文  参考訳（メタデータ） (2024-05-27T15:34:35Z)
• Pretraining Codomain Attention Neural Operators for Solving Multiphysics PDEs [85.40198664108624]
  PDEを用いた多物理問題の解法として,コドメイン注意ニューラル演算子(CoDA-NO)を提案する。 CoDA-NOはコドメインやチャネル空間に沿った機能をトークン化し、複数のPDEシステムの自己教師付き学習や事前訓練を可能にする。 CoDA-NOは、データ制限のある複雑な下流タスクにおいて、既存のメソッドを36%以上上回ります。
  論文  参考訳（メタデータ） (2024-03-19T08:56:20Z)
• Deep Equilibrium Based Neural Operators for Steady-State PDEs [100.88355782126098]
  定常PDEに対する重み付けニューラルネットワークアーキテクチャの利点について検討する。 定常PDEの解を直接解くFNOアーキテクチャの深い平衡変種であるFNO-DEQを提案する。
  論文  参考訳（メタデータ） (2023-11-30T22:34:57Z)
• Physics-constrained robust learning of open-form partial differential equations from limited and noisy data [1.50528618730365]
  本研究では,自由形式偏微分方程式(PDE)を有限・雑音データから頑健に解明する枠組みを提案する。 ニューラルネットワークに基づく予測モデルは、システム応答に適合し、生成されたPDEに対する報酬評価器として機能する。 数値実験により, 非線形力学系から, 極めてノイズの多いデータで支配方程式を発見できることを示す。
  論文  参考訳（メタデータ） (2023-09-14T12:34:42Z)
• Symbolic Regression for PDEs using Pruned Differentiable Programs [12.23889788846524]
  本稿では,部分微分方程式の解に対する数学的式を得るためのエンドツーエンドフレームワークを提案する。 トレーニングされたPINNを使用してデータセットを生成し、シンボリック回帰を実行する。 PINNと同等の精度を維持しつつ, DPAのパラメータを95.3%削減した。
  論文  参考訳（メタデータ） (2023-03-13T11:07:17Z)
• Discovery of partial differential equations from highly noisy and sparse data with physics-informed information criterion [2.745859263816099]
  物理インフォームド情報量規準(PIC)は、発見されたPDEのパシモニーと精度を合成的に測定するために提案される。 提案したPICは,物理シーンの異なる7つの標準PDEに対して,高いノイズとスパースなデータを実現する。 その結果, 発見されたマクロスケールPDEは正確で同相であり, 基礎となる対称性を満たすことがわかった。
  論文  参考訳（メタデータ） (2022-08-05T02:40:37Z)
• Noise-aware Physics-informed Machine Learning for Robust PDE Discovery [5.746505534720594]
  この研究は、物理系の制御偏微分方程式(PDE)の発見に関係している。 既存の手法では、有限観測からPDEの同定を実証しているが、ノイズデータに対する満足度を維持できなかった。 本稿では、任意の分布に従うデータからPDEを管理するためのノイズ対応物理インフォームド機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-26T15:29:07Z)
• Learning to Solve PDE-constrained Inverse Problems with Graph Networks [51.89325993156204]
  科学と工学にまたがる多くの応用分野において、偏微分方程式(PDE)によって定義される制約で逆問題を解決することに興味がある。 ここでは、これらのPDE制約された逆問題を解決するために、GNNを探索する。 GNNを用いて計算速度を最大90倍に向上させる。
  論文  参考訳（メタデータ） (2022-06-01T18:48:01Z)
• Lie Point Symmetry Data Augmentation for Neural PDE Solvers [69.72427135610106]
  本稿では,ニューラルPDEソルバサンプルの複雑性を改善することにより,この問題を部分的に緩和する手法を提案する。 PDEの文脈では、データ変換の完全なリストを定量的に導き出せることが分かりました。 神経性PDEソルバサンプルの複雑さを桁違いに改善するために、どのように容易に展開できるかを示す。
  論文  参考訳（メタデータ） (2022-02-15T18:43:17Z)
• Physics-Informed Neural Operator for Learning Partial Differential Equations [55.406540167010014]
  PINOは、演算子を学ぶために異なる解像度でデータとPDE制約を組み込んだ最初のハイブリッドアプローチである。 結果の PINO モデルは、多くの人気のある PDE ファミリの基底構造解演算子を正確に近似することができる。
  論文  参考訳（メタデータ） (2021-11-06T03:41:34Z)
• PhyCRNet: Physics-informed Convolutional-Recurrent Network for Solving Spatiotemporal PDEs [8.220908558735884]
  偏微分方程式 (Partial differential equation, PDE) は、幅広い分野の問題をモデル化し、シミュレーションする上で基礎的な役割を果たす。 近年のディープラーニングの進歩は、データ駆動逆解析の基盤としてPDEを解くために物理学インフォームドニューラルネットワーク(NN)の大きな可能性を示している。 本稿では,PDEをラベル付きデータなしで解くための物理インフォームド・畳み込み学習アーキテクチャ(PhyCRNetとPhCRyNet-s)を提案する。
  論文  参考訳（メタデータ） (2021-06-26T22:22:19Z)

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。