論文の概要: Learning Subsystem Dynamics in Nonlinear Systems via Port-Hamiltonian Neural Networks

• arxiv url: http://arxiv.org/abs/2411.05730v1
• Date: Fri, 08 Nov 2024 17:41:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-11 14:53:23.534476
• Title: Learning Subsystem Dynamics in Nonlinear Systems via Port-Hamiltonian Neural Networks
• Title（参考訳）: ポート・ハミルトンニューラルネットワークによる非線形システムの学習サブシステムダイナミクス
• Authors: G. J. E. van Otterdijk, S. Moradi, S. Weiland, R. Tóth, N. O. Jaensson, M. Schoukens,
• Abstract要約: ポート・ハミルトンニューラルネットワーク(pHNN)は、物理法則とディープラーニング技術を統合する強力なモデリングツールとして登場している。 本研究では,入力出力測定のみに基づいて,pHNNを用いてサブシステムを特定する手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Port-Hamiltonian neural networks (pHNNs) are emerging as a powerful modeling tool that integrates physical laws with deep learning techniques. While most research has focused on modeling the entire dynamics of interconnected systems, the potential for identifying and modeling individual subsystems while operating as part of a larger system has been overlooked. This study addresses this gap by introducing a novel method for using pHNNs to identify such subsystems based solely on input-output measurements. By utilizing the inherent compositional property of the port-Hamiltonian systems, we developed an algorithm that learns the dynamics of individual subsystems, without requiring direct access to their internal states. On top of that, by choosing an output error (OE) model structure, we have been able to handle measurement noise effectively. The effectiveness of the proposed approach is demonstrated through tests on interconnected systems, including multi-physics scenarios, demonstrating its potential for identifying subsystem dynamics and facilitating their integration into new interconnected models.
• Abstract（参考訳）: ポート・ハミルトンニューラルネットワーク(pHNN)は、物理法則とディープラーニング技術を統合する強力なモデリングツールとして登場している。 多くの研究は相互接続系全体の力学をモデル化することに重点を置いているが、より大きなシステムの一部として動作しながら個々のサブシステムを特定し、モデル化する可能性は見過ごされている。 本研究では,pHNNを用いた入力出力測定のみに基づくサブシステム同定手法を導入することにより,このギャップを解消する。 ポート-ハミルトン系の固有構成特性を利用して,内部状態に直接アクセスすることなく,個々のサブシステムのダイナミクスを学習するアルゴリズムを開発した。 それに加えて、出力誤差(OE)モデル構造を選択することで、計測ノイズを効果的に処理することができる。 提案手法の有効性は,複数物理シナリオを含む相互接続システムのテストを通じて実証され,サブシステムダイナミクスを同定し,新たな相互接続モデルへの統合を容易にする可能性を示す。

関連論文リスト

• Poisson-Dirac Neural Networks for Modeling Coupled Dynamical Systems across Domains [13.499500088995463]
  幾何学力学からポート・ハミルトニアンとポアソンの定式化を統一するディラック構造に基づく新しい枠組みを提案する。 PoDiNNは、未知の結合力学系をデータからモデル化する際の精度と解釈性を改善する。
  論文  参考訳（メタデータ） (2024-10-15T10:31:22Z)
• Compositional Learning of Dynamical System Models Using Port-Hamiltonian Neural Networks [32.707730631343416]
  データから動的システムの複合モデルを学ぶためのフレームワークを提案する。 ニューラルネットワークサブモデルは、比較的単純なサブシステムによって生成された軌跡データに基づいて訓練される。 提案するフレームワークの新機能を数値例で示す。
  論文  参考訳（メタデータ） (2022-12-01T22:22:38Z)
• Port-Hamiltonian Neural Networks with State Dependent Ports [58.720142291102135]
  本手法は,数個の内力および外力を持つ単純な質量スプリングシステムと,より複雑で現実的なシステムの両方において,ストレス試験を行う。 ポート-ハミルトンニューラルネットワークは、状態依存型ポートでより大きな次元に拡張することができる。 スパースデータとノイズデータのトレーニングを改善するための対称高次積分器を提案する。
  論文  参考訳（メタデータ） (2022-06-06T14:57:25Z)
• Learning Trajectories of Hamiltonian Systems with Neural Networks [81.38804205212425]
  本稿では,モデル系の連続時間軌跡を推定し,ハミルトニアンニューラルネットワークを強化することを提案する。 提案手法は, 低サンプリング率, ノイズ, 不規則な観測において, HNNに対して有効であることを示す。
  論文  参考訳（メタデータ） (2022-04-11T13:25:45Z)
• Bi-fidelity Modeling of Uncertain and Partially Unknown Systems using DeepONets [0.0]
  本稿では,複雑な物理系に対する双方向モデリング手法を提案する。 我々は、小さなトレーニングデータセットが存在する場合、真のシステムの応答と低忠実度応答の相違をモデル化する。 パラメトリック不確実性を持ち、部分的には未知なモデルシステムにアプローチを適用する。
  論文  参考訳（メタデータ） (2022-04-03T05:30:57Z)
• Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
  本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。 静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
  論文  参考訳（メタデータ） (2022-02-25T20:00:56Z)
• 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)
• Supervised DKRC with Images for Offline System Identification [77.34726150561087]
  現代の力学系はますます非線形で複雑なものになりつつある。 予測と制御のためのコンパクトで包括的な表現でこれらのシステムをモデル化するフレームワークが必要である。 本手法は,教師付き学習手法を用いてこれらの基礎関数を学習する。
  論文  参考訳（メタデータ） (2021-09-06T04:39:06Z)
• Learning Stable Deep Dynamics Models [91.90131512825504]
  状態空間全体にわたって安定することが保証される力学系を学習するためのアプローチを提案する。 このような学習システムは、単純な力学系をモデル化することができ、複雑な力学を学習するために追加の深層生成モデルと組み合わせることができることを示す。
  論文  参考訳（メタデータ） (2020-01-17T00:04:45Z)

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。