論文の概要: Multi-modal Policies with Physics-informed Representations in Complex Fluid Environments

• arxiv url: http://arxiv.org/abs/2410.15250v2
• Date: Tue, 12 Aug 2025 12:53:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-13 18:56:18.534396
• Title: Multi-modal Policies with Physics-informed Representations in Complex Fluid Environments
• Title（参考訳）: 複雑な流体環境における物理情報表現を伴う多モード政策
• Authors: Haodong Feng, Peiyan Hu, Yue Wang, Dixia Fan,
• Abstract要約: 制御の多モード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。 PIRはスパース観測データを部分微分方程式 (Partial Differential Equation, PDE) 情報と統合し、流体系の統一表現を蒸留する。 実験では、PIRは基底線に比べて基底の真理の特徴との整合性が優れていることを示した。
• 参考スコア（独自算出の注目度）: 3.0253681238542076
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Control in fluid environments is an important research area with numerous applications across various domains, including underwater robotics, aerospace engineering, and biomedical systems. However, in practice, control methods often face challenges due to sparse or missing observations, stemming from sensor limitations and faults. These issues result in observations that are not only sparse but also inconsistent in their number and modalities (e.g., velocity and pressure sensors). In this work, we propose a Physics-Informed Representation (PIR) algorithm for multi-modal policies of control to leverage the sparse and random observations in complex fluid environments. PIR integrates sparse observational data with the Partial Differential Equation (PDE) information to distill a unified representation of fluid systems. The main idea is that PDE solutions are determined by three elements: the equation, initial conditions, and boundary conditions. Given the equation, we only need to learn the representation of the initial and boundary conditions, which define a trajectory of a specific fluid system. Specifically, it leverages PDE loss to fit the neural network and data loss calculated on the observations with random quantities and multi-modalities to propagate the information with initial and boundary conditions into the representations. The representations are the learnable parameters or the output of the encoder. In the 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 combined with Reinforcement Learning has been successfully applied in 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）: 流体環境の制御は、水中ロボット工学、航空宇宙工学、バイオメディカルシステムなど、様々な分野にまたがる多くの応用を持つ重要な研究分野である。 しかし、実際には、センサーの制限や欠陥から生じる、スパースや観察不足による問題に直面することが多い。 これらの問題は、スパースだけでなく、その数やモダリティ(速度や圧力センサーなど)にも矛盾する観察結果をもたらす。 本研究では,複雑な流体環境下でのスパースとランダムな観測を活用するために,制御の多モード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。 PIRはスパース観測データを部分微分方程式 (Partial Differential Equation, PDE) 情報と統合し、流体系の統一表現を蒸留する。 主な考え方は、PDE解は方程式、初期条件、境界条件の3つの要素によって決定されるということである。 この方程式を考えると、特定の流体系の軌跡を定義する初期条件と境界条件の表現しか学ばない。 具体的には、PDE損失を利用して、ニューラルネットワークと、ランダムな量とマルチ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で情報を表現に伝達する。 表現は学習可能なパラメータやエンコーダの出力である。 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した。 さらに、PIRと強化学習を組み合わせたPIRは、ロボットが学習した状態をPIRによって高速かつ正確に活用し、ランダムな開始位置から複雑な渦通りを通過してランダムな目標に達する制御タスクに成功している。

関連論文リスト

• Spectral-inspired Neural Operator for Data-efficient PDE Simulation in Physics-agnostic Regimes [11.74789494197836]
  部分方程式(PDE)は、様々な物理系の進化を制御している。 古典的な数値解法は、詳細な離散化とPDEの管理に関する完全な知識を必要とする。 データ駆動型ニューラルPDEソルバは、データから学習することでこれらの制約を緩和するが、大規模なトレーニングを必要とする。
  論文  参考訳（メタデータ） (2025-05-27T07:25:13Z)
• Mechanistic PDE Networks for Discovery of Governing Equations [52.492158106791365]
  データから偏微分方程式を発見するためのモデルであるメカニスティックPDEネットワークを提案する。 表現されたPDEは解決され、特定のタスクのためにデコードされる。 線形偏微分方程式に特化して、ネイティブ、GPU対応、並列、スパース、微分可能多重グリッドソルバを開発した。
  論文  参考訳（メタデータ） (2025-02-25T17:21:44Z)
• PDE-DKL: PDE-constrained deep kernel learning in high dimensionality [2.1233286062376497]
  PDEに基づく問題に対するPDE制約付きDeep Kernel Learning (PDE-DKL) フレームワークを提案する。 PDE-DKLはデータ要求を小さくすることで高い精度が得られることを示す。 彼らは、科学と工学における複雑なPDEベースのアプリケーションのための実用的で信頼性があり、スケーラブルな解決法としての可能性を強調している。
  論文  参考訳（メタデータ） (2025-01-30T10:39:52Z)
• How to Re-enable PDE Loss for Physical Systems Modeling Under Partial Observation [2.8953519440756548]
  RPLPO(Re-enable PDE Loss)と呼ばれる新しいフレームワークを提案する。 RPLPOは学習可能な高解像度状態を再構築するための符号化モジュールと、将来の状態を予測するための遷移モジュールを組み合わせる。 各種物理系で実験を行い,RPLPOが疎外,不規則,ノイズ,PDEが不正確であっても,一般化において顕著に改善されていることを示す。
  論文  参考訳（メタデータ） (2024-12-12T09:51:18Z)
• Advancing Generalization in PINNs through Latent-Space Representations [71.86401914779019]
  物理インフォームドニューラルネットワーク(PINN)は、偏微分方程式(PDE)によって支配される力学系のモデリングにおいて大きな進歩を遂げた。 本稿では,多種多様なPDE構成を効果的に一般化する物理インフォームドニューラルPDE解法PIDOを提案する。 PIDOは1次元合成方程式と2次元ナビエ・ストークス方程式を含む様々なベンチマークで検証する。
  論文  参考訳（メタデータ） (2024-11-28T13:16:20Z)
• 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。