論文の概要: Neural Networks for on-chip Model Predictive Control: a Method to Build Optimized Training Datasets and its application to Type-1 Diabetes
- arxiv url: http://arxiv.org/abs/2504.11355v1
- Date: Tue, 15 Apr 2025 16:25:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-16 22:06:20.169850
- Title: Neural Networks for on-chip Model Predictive Control: a Method to Build Optimized Training Datasets and its application to Type-1 Diabetes
- Title（参考訳）: オンチップモデル予測制御のためのニューラルネットワーク:最適化トレーニングデータセットの構築法とタイプ1糖尿病への応用
- Authors: Alberto Castillo, Elliot Pryor, Anas El Fathi, Boris Kovatchev, Marc Breton,
- Abstract要約: ニューラルネットワーク(NN)をトレーニングしてモデル予測制御(MPC)アルゴリズムとして動作させることは、制約された組み込みデバイスでそれらを実装するための効果的な方法である。
我々は、最適サンプリングデータセット(OSD)の概念を理想的なトレーニングセットとして導入し、それらを生成するための効率的なアルゴリズムを提案する。
本研究は, ヴァージニア大学のMPCアルゴリズムを再現して, Type-1糖尿病における自動インスリンデリバリーのためのNNのトレーニングによるOSDの有効性を実証するものである。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Training Neural Networks (NNs) to behave as Model Predictive Control (MPC) algorithms is an effective way to implement them in constrained embedded devices. By collecting large amounts of input-output data, where inputs represent system states and outputs are MPC-generated control actions, NNs can be trained to replicate MPC behavior at a fraction of the computational cost. However, although the composition of the training data critically influences the final NN accuracy, methods for systematically optimizing it remain underexplored. In this paper, we introduce the concept of Optimally-Sampled Datasets (OSDs) as ideal training sets and present an efficient algorithm for generating them. An OSD is a parametrized subset of all the available data that (i) preserves existing MPC information up to a certain numerical resolution, (ii) avoids duplicate or near-duplicate states, and (iii) becomes saturated or complete. We demonstrate the effectiveness of OSDs by training NNs to replicate the University of Virginia's MPC algorithm for automated insulin delivery in Type-1 Diabetes, achieving a four-fold improvement in final accuracy. Notably, two OSD-trained NNs received regulatory clearance for clinical testing as the first NN-based control algorithm for direct human insulin dosing. This methodology opens new pathways for implementing advanced optimizations on resource-constrained embedded platforms, potentially revolutionizing how complex algorithms are deployed.
- Abstract（参考訳）: ニューラルネットワーク(NN)をトレーニングしてモデル予測制御(MPC)アルゴリズムとして動作させることは、制約された組み込みデバイスでそれらを実装するための効果的な方法である。
入力がシステム状態を表し、出力がMPC生成制御アクションである大量の入力出力データを収集することにより、NNは計算コストのごく一部でMPCの動作を再現するように訓練することができる。
しかし、トレーニングデータの合成は最終的なNN精度に重大な影響を及ぼすが、体系的に最適化する方法は未探索のままである。
本稿では、最適サンプリングデータセット(OSD)の概念を理想的なトレーニングセットとして紹介し、それらを生成するための効率的なアルゴリズムを提案する。
OSDは利用可能なすべてのデータのパラメータ化されたサブセットである
i)既存のMPC情報を一定の数値分解能まで保存する。
(二)重複状態又はほぼ重複状態を避け、
(iii)飽和または完成する。
本研究は, ヴァージニア大学のMPCアルゴリズムを再現して, Type-1糖尿病における自動インスリンデリバリーに適用し, 最終的な精度を4倍に向上させることにより, OSDの有効性を実証するものである。
特筆すべきは、2つのOSD訓練されたNNは、ヒトインスリンを直接投与するためのNNベースの制御アルゴリズムとして、臨床検査の規制許可を得たことである。
この手法は、リソース制約のある組み込みプラットフォーム上で高度な最適化を実装するための新しい経路を開放し、複雑なアルゴリズムのデプロイ方法に革命をもたらす可能性がある。
関連論文リスト
- Unsupervised Pre-training with Language-Vision Prompts for Low-Data Instance Segmentation [105.23631749213729]
低データ体制における教師なし事前学習のための新しい手法を提案する。
最近成功したプロンプト技術に触発されて,言語ビジョンプロンプトを用いた教師なし事前学習法を導入した。
提案手法は,低データ方式のCNNモデルよりも高速に収束し,性能がよいことを示す。
論文 参考訳（メタデータ） (2024-05-22T06:48:43Z) - Parameter-Adaptive Approximate MPC: Tuning Neural-Network Controllers without Retraining [50.00291020618743]
この研究は、大規模なデータセットを再計算し、再トレーニングすることなくオンラインチューニングが可能な、新しいパラメータ適応型AMPCアーキテクチャを導入している。
資源制約の厳しいマイクロコントローラ(MCU)を用いた2種類の実カートポールシステムの揺らぎを制御し,パラメータ適応型AMPCの有効性を示す。
これらの貢献は、現実世界のシステムにおけるAMPCの実践的応用に向けた重要な一歩である。
論文 参考訳（メタデータ） (2024-04-08T20:02:19Z) - A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical
Computation Offloading [62.34538208323411]
共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。
MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
論文 参考訳（メタデータ） (2023-09-02T11:01:16Z) - Enhanced quantum state preparation via stochastic prediction of neural
network [0.8287206589886881]
本稿では,ニューラルネットワークの知識盲点を生かして,アルゴリズムの有効性を高めるための興味深い道を探る。
本手法は,半導体ダブル量子ドットシステムにおける任意の量子状態の生成に使用される機械学習アルゴリズムを中心にしている。
ニューラルネットワークが生成した予測を活用することにより、最適化プロセスの導出により、局所最適化を回避できる。
論文 参考訳（メタデータ） (2023-07-27T09:11:53Z) - Emulation Learning for Neuromimetic Systems [0.0]
ニューラル量子化システムに関する最近の研究に基づいて、量子化運動の学習結果とチャネルドロップアウトに対するレジリエンスを報告する。
本稿では,経路を学習するだけでなく,チャネルドロップアウトに対するレジリエンスの利点を示す一般のディープQネットワーク(DQN)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-05-04T22:47:39Z) - Intelligence Processing Units Accelerate Neuromorphic Learning [52.952192990802345]
スパイキングニューラルネットワーク(SNN)は、エネルギー消費と遅延の観点から、桁違いに改善されている。
我々は、カスタムSNN PythonパッケージsnnTorchのIPU最適化リリースを提示する。
論文 参考訳（メタデータ） (2022-11-19T15:44:08Z) - Low-Resource Music Genre Classification with Cross-Modal Neural Model
Reprogramming [129.4950757742912]
ニューラルモデル再プログラミング(NMR)の概念に基づく低リソース(音楽)分類のための事前学習モデルを活用する新しい手法を提案する。
NMRは、凍結した事前学習モデルの入力を変更することにより、ソースドメインからターゲットドメインへの事前学習モデルの再取得を目指している。
実験結果から,大規模データセットに事前学習したニューラルモデルは,この再プログラミング手法を用いて,音楽ジャンルの分類に成功できることが示唆された。
論文 参考訳（メタデータ） (2022-11-02T17:38:33Z) - A Meta-Learning Approach to the Optimal Power Flow Problem Under
Topology Reconfigurations [69.73803123972297]
メタラーニング(MTL)アプローチを用いて訓練されたDNNベースのOPF予測器を提案する。
開発したOPF予測器はベンチマークIEEEバスシステムを用いてシミュレーションにより検証される。
論文 参考訳（メタデータ） (2020-12-21T17:39:51Z) - Single-step deep reinforcement learning for open-loop control of laminar
and turbulent flows [0.0]
本研究は,流体力学系の最適化と制御を支援するための深部強化学習(DRL)技術の能力を評価する。
原型ポリシー最適化(PPO)アルゴリズムの新たな"退化"バージョンを組み合わせることで、学習エピソード当たり1回だけシステムを最適化するニューラルネットワークをトレーニングする。
論文 参考訳（メタデータ） (2020-06-04T16:11:26Z) - On Training and Evaluation of Neural Network Approaches for Model
Predictive Control [9.8918553325509]
本稿では,制約ニューラルネットワークを用いて実装されたモデル予測制御(MPC)のトレーニングと評価を行うフレームワークである。
モチベーションは、安全クリティカルフィードバック制御システムのリアルタイム最適化を、ニューラルネットワークと最適化層という形で学習されたマッピングに置き換えることである。
論文 参考訳（メタデータ） (2020-05-08T15:37:55Z)
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。