論文の概要: Port-Hamiltonian Neural Networks with Output Error Noise Models

• arxiv url: http://arxiv.org/abs/2502.14432v1
• Date: Thu, 20 Feb 2025 10:33:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-21 17:44:19.987255
• Title: Port-Hamiltonian Neural Networks with Output Error Noise Models
• Title（参考訳）: 出力誤差雑音モデルを用いたポート・ハミルトンニューラルネットワーク
• Authors: Sarvin Moradi, Gerben I. Beintema, Nick Jaensson, Roland Tóth, Maarten Schoukens,
• Abstract要約: ハミルトニアンニューラルネットワーク(HNN)は物理インフォームドディープラーニング手法の有望なクラスである。 工学系への直接的応用は、外部入力の存在、散逸、騒音測定など、実用的な問題によってしばしば問題視される。 本稿では,これらの実生活要因に対処するHNNの能力を高める新しい枠組みを提案する。
• 参考スコア（独自算出の注目度）: 2.144088660722956
• License:
• Abstract: Hamiltonian neural networks (HNNs) represent a promising class of physics-informed deep learning methods that utilize Hamiltonian theory as foundational knowledge within neural networks. However, their direct application to engineering systems is often challenged by practical issues, including the presence of external inputs, dissipation, and noisy measurements. This paper introduces a novel framework that enhances the capabilities of HNNs to address these real-life factors. We integrate port-Hamiltonian theory into the neural network structure, allowing for the inclusion of external inputs and dissipation, while mitigating the impact of measurement noise through an output-error (OE) model structure. The resulting output error port-Hamiltonian neural networks (OE-pHNNs) can be adapted to tackle modeling complex engineering systems with noisy measurements. Furthermore, we propose the identification of OE-pHNNs based on the subspace encoder approach (SUBNET), which efficiently approximates the complete simulation loss using subsections of the data and uses an encoder function to predict initial states. By integrating SUBNET with OE-pHNNs, we achieve consistent models of complex engineering systems under noisy measurements. In addition, we perform a consistency analysis to ensure the reliability of the proposed data-driven model learning method. We demonstrate the effectiveness of our approach on system identification benchmarks, showing its potential as a powerful tool for modeling dynamic systems in real-world applications.
• Abstract（参考訳）: ハミルトニアンニューラルネットワーク(英: Hamiltonian Neural Network、HNN)は、ハミルトニアン理論をニューラルネットワークの基本的な知識として活用する物理情報に基づく深層学習手法である。 しかしながら、工学系への直接的適用は、外部入力の存在、消散、ノイズ測定など、実用的な問題によってしばしば問題視される。 本稿では,これらの実生活要因に対処するHNNの能力を高める新しい枠組みを提案する。 我々はポート-ハミルトン理論をニューラルネットワーク構造に統合し、出力エラー(OE)モデル構造による計測ノイズの影響を軽減しつつ、外部入力と消散を組み込むことができる。 結果の出力誤差ポート-ハミルトンニューラルネットワーク(OE-pHNN)は、ノイズ測定を伴う複雑なエンジニアリングシステムに適応することができる。 さらに、サブスペースエンコーダアプローチ(SUBNET)に基づくOE-pHNNの同定を提案し、データのサブセクションを用いてシミュレーション損失を効率よく近似し、初期状態を予測するためにエンコーダ関数を用いる。 SUBNETとOE-pHNNを統合することで、ノイズ測定の下で複雑なエンジニアリングシステムの一貫したモデルを実現する。 さらに,データ駆動型モデル学習手法の信頼性を確保するために,一貫性解析を行う。 実世界のアプリケーションにおける動的システムをモデリングするための強力なツールとしての可能性を示す。

関連論文リスト

• Learning Subsystem Dynamics in Nonlinear Systems via Port-Hamiltonian Neural Networks [0.0]
  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。
  論文  参考訳（メタデータ） (2024-11-08T17:41:51Z)
• Response Estimation and System Identification of Dynamical Systems via Physics-Informed Neural Networks [0.0]
  本稿では,物理インフォームドニューラルネットワーク(PINN)を用いた力学系の同定と推定について検討する。 PINNは、既知の物理法則をニューラルネットワークの損失関数に直接埋め込むことによって、複雑な現象の単純な埋め込みを可能にするユニークな利点を提供する。 その結果、PINNは上記のすべてのタスクに対して、たとえモデルエラーがあっても、効率的なツールを提供することを示した。
  論文  参考訳（メタデータ） (2024-10-02T08:58:30Z)
• Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
  我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。 新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。 我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
  論文  参考訳（メタデータ） (2024-02-20T15:23:24Z)
• Evaluation of machine learning architectures on the quantification of epistemic and aleatoric uncertainties in complex dynamical systems [0.0]
  不確実量化(英: Uncertainty Quantification、UQ)は、モデル誤差の自己評価値である。 ガウス過程とファミリーUQ強化ニューラルネットワークの両方を含む機械学習技術について検討する。 検証データ上の正規化残差の分布と推定不確かさの分布の2つの指標を用いて,UQ精度(モデル精度とは異なる)を評価する。
  論文  参考訳（メタデータ） (2023-06-27T02:35:25Z)
• Physics-Informed Learning Using Hamiltonian Neural Networks with Output Error Noise Models [0.0]
  ハミルトンニューラルネットワーク(HNN)は、ディープラーニングにおいてハミルトン理論を実装している。 本稿では,物理系のモデリングに対処する出力誤差ハミルトンニューラルネットワーク(OE-HNN)のモデリング手法を提案する。
  論文  参考訳（メタデータ） (2023-05-02T11:34:53Z)
• Signal Detection in MIMO Systems with Hardware Imperfections: Message Passing on Neural Networks [101.59367762974371]
  本稿では,Multi-Input-multiple-output (MIMO)通信システムにおける信号検出について検討する。 パイロット信号が限られているディープニューラルネットワーク(DNN)のトレーニングは困難であり、実用化を妨げている。 我々は、ユニタリ近似メッセージパッシング(UAMP)アルゴリズムを利用して、効率的なメッセージパッシングに基づくベイズ信号検出器を設計する。
  論文  参考訳（メタデータ） (2022-10-08T04:32:58Z)
• Auto-PINN: Understanding and Optimizing Physics-Informed Neural Architecture [77.59766598165551]
  物理インフォームドニューラルネットワーク(PINN)は、ディープラーニングのパワーを科学計算にもたらし、科学と工学の実践に革命をもたらしている。 本稿では,ニューラル・アーキテクチャ・サーチ(NAS)手法をPINN設計に適用したAuto-PINNを提案する。 標準PDEベンチマークを用いた包括的事前実験により、PINNの構造と性能の関係を探索することができる。
  論文  参考訳（メタデータ） (2022-05-27T03:24:31Z)
• 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)
• Learning to Estimate RIS-Aided mmWave Channels [50.15279409856091]
  そこでは,観測観測のために,既知の基地局とRIS位相制御行列を併用したアップリンクチャネル推定手法を提案する。 推定性能を向上し, トレーニングオーバーヘッドを低減するため, 深部展開法において, mmWaveチャネルの固有チャネル幅を生かした。 提案したディープ・アンフォールディング・ネットワーク・アーキテクチャは,トレーニングオーバーヘッドが比較的小さく,オンライン計算の複雑さも比較的小さく,最小二乗法(LS)法より優れていることが確認された。
  論文  参考訳（メタデータ） (2021-07-27T06:57:56Z)
• Robust Learning of Recurrent Neural Networks in Presence of Exogenous Noise [22.690064709532873]
  入力雑音を受けるRNNモデルに対するトラクタブルロバストネス解析を提案する。 線形化手法を用いてロバストネス測度を効率的に推定することができる。 提案手法はリカレントニューラルネットワークのロバスト性を大幅に改善する。
  論文  参考訳（メタデータ） (2021-05-03T16:45:05Z)
• Rectified Linear Postsynaptic Potential Function for Backpropagation in Deep Spiking Neural Networks [55.0627904986664]
  スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。 本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
  論文  参考訳（メタデータ） (2020-03-26T11:13:07Z)

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。