論文の概要: Potential failures of physics-informed machine learning in traffic flow modeling: theoretical and experimental analysis

• arxiv url: http://arxiv.org/abs/2505.11491v1
• Date: Fri, 16 May 2025 17:55:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-19 14:36:15.786061
• Title: Potential failures of physics-informed machine learning in traffic flow modeling: theoretical and experimental analysis
• Title（参考訳）: 交通流モデリングにおける物理インフォームド機械学習の可能性:理論的および実験的解析
• Authors: Yuan-Zheng Lei, Yaobang Gong, Dianwei Chen, Yao Cheng, Xianfeng Terry Yang,
• Abstract要約: 本研究では,交通流モデリングにおける物理インフォームド・機械学習(PIML)手法の性能について批判的に検討する。 実験により、物理残留物はLWRおよびARZベースのPIMLモデルの性能を劣化させることができることが明らかになった。 Courant-Friedrichs-Lewy (CFL) 条件をPIMLのデータセット適合性の指標として同定した。
• 参考スコア（独自算出の注目度）: 5.937203351551678
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study critically examines the performance of physics-informed machine learning (PIML) approaches for traffic flow modeling, defining the failure of a PIML model as the scenario where it underperforms both its purely data-driven and purely physics-based counterparts. We analyze the loss landscape by perturbing trained models along the principal eigenvectors of the Hessian matrix and evaluating corresponding loss values. Our results suggest that physics residuals in PIML do not inherently hinder optimization, contrary to a commonly assumed failure cause. Instead, successful parameter updates require both ML and physics gradients to form acute angles with the quasi-true gradient and lie within a conical region. Given inaccuracies in both the physics models and the training data, satisfying this condition is often difficult. Experiments reveal that physical residuals can degrade the performance of LWR- and ARZ-based PIML models, especially under highly physics-driven settings. Moreover, sparse sampling and the use of temporally averaged traffic data can produce misleadingly small physics residuals that fail to capture actual physical dynamics, contributing to model failure. We also identify the Courant-Friedrichs-Lewy (CFL) condition as a key indicator of dataset suitability for PIML, where successful applications consistently adhere to this criterion. Lastly, we observe that higher-order models like ARZ tend to have larger error lower bounds than lower-order models like LWR, which is consistent with the experimental findings of existing studies.
• Abstract（参考訳）: 本研究では、トラフィックフローモデリングにおける物理インフォームド・機械学習(PIML)アプローチの性能を批判的に検証し、純粋にデータ駆動型と純粋に物理ベースの両方で性能が劣るシナリオとしてPIMLモデルの失敗を定義する。 我々は、ヘッセン行列の主固有ベクトルに沿ってトレーニングされたモデルを摂動し、対応する損失値を評価することにより、損失景観を解析する。 この結果から, PIMLの物理残差は, 一般的に想定される故障の原因とは対照的に, 本質的に最適化を妨げるものではないことが示唆された。 パラメータの更新が成功するためには、MLと物理の勾配の両方が必要であり、準真の勾配で急性の角度を形成し、円錐領域内に置かれる。 物理モデルとトレーニングデータの両方の不正確さを考えると、この条件を満たすことはしばしば困難である。 実験により、物理残留物はLWRおよびARZベースのPIMLモデルの性能を低下させることができることが明らかとなった。 さらに、スパースサンプリングと時間平均トラフィックデータの使用は、実際の物理力学を捉えるのに失敗する、誤解を招くほど小さな物理残留物を生成し、モデル故障に寄与する。 我々はまた、Courant-Friedrichs-Lewy (CFL) 条件をPIMLのデータセット適合性の鍵となる指標とみなし、この基準に順守したアプリケーションを成功させる。 最後に、ARZのような高次モデルはLWRのような低次モデルよりも誤差が小さい傾向にあり、既存の研究の実験結果と一致している。

関連論文リスト

• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Physics-Informed Machine Learning for Seismic Response Prediction OF Nonlinear Steel Moment Resisting Frame Structures [6.483318568088176]
  PiML法は、非線形構造の地震応答をモデル化するために、科学的原理と物理法則をディープニューラルネットワークに統合する。 運動方程式を操作することは、システムの非線形性を学習し、物理的に解釈可能な結果の中で解を閉じ込めるのに役立つ。 結果、既存の物理誘導LSTMモデルよりも複雑なデータを処理し、他の非物理データ駆動ネットワークより優れている。
  論文  参考訳（メタデータ） (2024-02-28T02:16:03Z)
• Physics-Informed Deep Learning of Rate-and-State Fault Friction [0.0]
  我々は, 前方問題と非線形欠陥摩擦パラメータの直接逆変換のためのマルチネットワークPINNを開発した。 本稿では1次元および2次元のストライク・スリップ断層に対する速度・状態摩擦を考慮した計算PINNフレームワークを提案する。 その結果, 断層におけるパラメータ逆転のネットワークは, 結合した物質変位のネットワークよりもはるかに優れていることがわかった。
  論文  参考訳（メタデータ） (2023-12-14T23:53:25Z)
• A PAC-Bayesian Perspective on the Interpolating Information Criterion [54.548058449535155]
  補間系の性能に影響を及ぼす要因を特徴付ける一般モデルのクラスに対して,PAC-Bayes境界がいかに得られるかを示す。 オーバーパラメータ化モデルに対するテスト誤差が、モデルとパラメータの初期化スキームの組み合わせによって課される暗黙の正規化の品質に依存するかの定量化を行う。
  論文  参考訳（メタデータ） (2023-11-13T01:48:08Z)
• Model-Based Reparameterization Policy Gradient Methods: Theory and Practical Algorithms [88.74308282658133]
  Reization (RP) Policy Gradient Methods (PGM) は、ロボット工学やコンピュータグラフィックスにおける連続的な制御タスクに広く採用されている。 近年の研究では、長期強化学習問題に適用した場合、モデルベースRP PGMはカオス的かつ非滑らかな最適化環境を経験する可能性があることが示されている。 本稿では,長期モデルアンロールによる爆発的分散問題を緩和するスペクトル正規化法を提案する。
  論文  参考訳（メタデータ） (2023-10-30T18:43:21Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• A physics-constrained machine learning method for mapping gapless land surface temperature [6.735896406986559]
  本稿では,物理的意味と高精度なLSTを生成する物理MLモデルを提案する。 勾配入力としてリモートセンシングデータのみを使用する光発振機(LGBM)モデルは、純粋なMLモデルとして機能する。 純粋な物理法や純粋なML法と比較して、PC-LGBMモデルはLSTの予測精度と物理的解釈性を改善する。
  論文  参考訳（メタデータ） (2023-07-03T01:44:48Z)

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。