論文の概要: Deep Operator Neural Network Model Predictive Control

• arxiv url: http://arxiv.org/abs/2505.18008v1
• Date: Fri, 23 May 2025 15:13:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-26 18:08:34.183883
• Title: Deep Operator Neural Network Model Predictive Control
• Title（参考訳）: 深部演算子ニューラルネットモデル予測制御
• Authors: Thomas Oliver de Jong, Khemraj Shukla, Mircea Lazar,
• Abstract要約: 深部演算子ニューラルネットワーク(DeepONets)に基づくモデル予測制御(MPC)アルゴリズムの設計について検討する。 マルチステップ入力シーケンスからシステム出力を1ショットで予測する多ステップDeepONetアーキテクチャを提案する。 我々は,MS DeepONetがマルチステップシーケンス予測における普遍近似器であることを証明した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we consider the design of model predictive control (MPC) algorithms based on deep operator neural networks (DeepONets). These neural networks are capable of accurately approximating real and complex valued solutions of continuous time nonlinear systems without relying on recurrent architectures. The DeepONet architecture is made up of two feedforward neural networks: the branch network, which encodes the input function space, and the trunk network, which represents dependencies on temporal variables or initial conditions. Utilizing the original DeepONet architecture as a predictor within MPC for Multi Input Multi Output (MIMO) systems requires multiple branch networks, to generate multi output predictions, one for each input. Moreover, to predict multiple time steps into the future, the network has to be evaluated multiple times. Motivated by this, we introduce a multi step DeepONet (MS-DeepONet) architecture that computes in one shot multi step predictions of system outputs from multi step input sequences, which is better suited for MPC. We prove that the MS DeepONet is a universal approximator in terms of multi step sequence prediction. Additionally, we develop automated hyper parameter selection strategies and implement MPC frameworks using both the standard DeepONet and the proposed MS DeepONet architectures in PyTorch. The implementation is publicly available on GitHub. Simulation results demonstrate that MS-DeepONet consistently outperforms the standard DeepONet in learning and predictive control tasks across several nonlinear benchmark systems: the van der Pol oscillator, the quadruple tank process, and a cart pendulum unstable system, where it successfully learns and executes multiple swing up and stabilization policies.
• Abstract（参考訳）: 本稿では,深部演算子ニューラルネットワーク(DeepONets)に基づくモデル予測制御(MPC)アルゴリズムの設計について考察する。 これらのニューラルネットワークは、繰り返しアーキテクチャに頼ることなく、連続時間非線形システムの実および複素値の解を正確に近似することができる。 DeepONetアーキテクチャは、入力関数空間を符号化する分岐ネットワークと、時間変数や初期条件への依存を表すトランクネットワークの2つのフィードフォワードニューラルネットワークで構成されている。 元のDeepONetアーキテクチャをマルチ入力マルチ出力(MIMO)システムのMPC内の予測子として利用するには、複数の分岐ネットワークが必要であり、入力毎に1つずつ複数の出力予測を生成する必要がある。 さらに、将来への複数のタイムステップを予測するためには、ネットワークを複数回評価する必要がある。 そこで本研究では,MPCに適したマルチステップ入力シーケンスからシステム出力のマルチステップ予測を行うマルチステップDeepONet(MS-DeepONet)アーキテクチャを提案する。 我々は,MS DeepONetがマルチステップシーケンス予測における普遍近似器であることを証明した。 さらに、PyTorchにおける標準DeepONetと提案したMSDeepONetアーキテクチャの両方を用いて、自動ハイパーパラメータ選択戦略を開発し、MPCフレームワークを実装した。 実装はGitHubで公開されている。 シミュレーションの結果、MS-DeepONetは、いくつかの非線形ベンチマークシステム(van der Pol発振器、四重戦車プロセス、カート振り子不安定システム)における学習および予測制御タスクにおいて標準のDeepONetよりも一貫して優れており、複数のスイングアップと安定化ポリシーをうまく学習し実行している。

関連論文リスト

• Multi-QuAD: Multi-Level Quality-Adaptive Dynamic Network for Reliable Multimodal Classification [57.08108545219043]
  既存の信頼性の高いマルチモーダル分類手法では、データ品質のロバストな推定ができない。 textitMulti-level Quality-Adaptive Dynamic multimodal network (Multi-QuAD) と呼ばれる信頼性の高い分類のための新しいフレームワークを提案する。 4つのデータセットで行った実験により、Multi-QuADは分類性能と信頼性において最先端の手法を大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-12-19T03:26:51Z)
• Deep Recurrent Stochastic Configuration Networks for Modelling Nonlinear Dynamic Systems [3.8719670789415925]
  本稿ではディープリカレント構成ネットワーク(DeepRSCN)と呼ばれる新しいディープリカレント計算フレームワークを提案する。 DeepRSCNはインクリメンタルに構築され、すべての貯水池ノードは最終的な出力に直接リンクする。 トレーニングサンプルのセットが与えられた場合、DeepRSCNは、カスケードされた入力読み出し重みを持つランダム基底関数からなる学習表現を迅速に生成できる。
  論文  参考訳（メタデータ） (2024-10-28T10:33:15Z)
• SimQ-NAS: Simultaneous Quantization Policy and Neural Architecture Search [6.121126813817338]
  最近のワンショットニューラルネットワーク検索アルゴリズムは、特定のタスクに適したハードウェアに依存しないスーパーネットワークをトレーニングし、異なるハードウェアプラットフォームのための効率的なサブネットワークを抽出する。 我々は,光学習された予測器と組み合わせた多目的探索アルゴリズムを用いることで,サブネットワークアーキテクチャとそれに対応する量子化ポリシーの両方を効率的に探索できることを示す。
  論文  参考訳（メタデータ） (2023-12-19T22:08:49Z)
• Split-Et-Impera: A Framework for the Design of Distributed Deep Learning Applications [8.434224141580758]
  Split-Et-Imperaは、ディープネットワークの解釈可能性の原則に基づいて、ニューラルネットワークのベストスプリットポイントのセットを決定する。 異なるニューラルネットワーク再構成の迅速な評価のための通信認識シミュレーションを実行する。 これは、アプリケーションのサービス要件の品質と、正確性とレイテンシ時間の観点からのパフォーマンスのベストマッチを示唆している。
  論文  参考訳（メタデータ） (2023-03-22T13:00:00Z)
• 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)
• Joint Deep Reinforcement Learning and Unfolding: Beam Selection and Precoding for mmWave Multiuser MIMO with Lens Arrays [54.43962058166702]
  離散レンズアレイを用いたミリ波マルチユーザマルチインプット多重出力(MU-MIMO)システムに注目が集まっている。 本研究では、DLA を用いた mmWave MU-MIMO システムのビームプリコーディング行列の共同設計について検討する。
  論文  参考訳（メタデータ） (2021-01-05T03:55:04Z)
• Hybrid Backpropagation Parallel Reservoir Networks [8.944918753413827]
  本稿では,貯水池のランダムな時間的特徴と深層ニューラルネットワークの読み出し能力と,バッチ正規化を併用した新しいハイブリッドネットワークを提案する。 我々の新しいネットワークはLSTMやGRUよりも優れていることを示す。 また, HBP-ESN M-Ring と呼ばれる新しいメタリング構造を組み込むことで, 1つの大きな貯水池に類似した性能を実現し, メモリ容量の最大化を図っている。
  論文  参考訳（メタデータ） (2020-10-27T21:03:35Z)
• Deep-HOSeq: Deep Higher Order Sequence Fusion for Multimodal Sentiment Analysis [12.386788662621338]
  マルチモーダル感情分析は、感情分類に複数の異種モダリティを利用する。 最近の多モード融合方式はLSTMをカスタマイズしてモード内ダイナミクスを発見する。 モーダル内力学とモーダル間力学の両方を発見するための共通ネットワークを提案する。
  論文  参考訳（メタデータ） (2020-10-16T08:02:11Z)
• Iterative Algorithm Induced Deep-Unfolding Neural Networks: Precoding Design for Multiuser MIMO Systems [59.804810122136345]
  本稿では,AIIDNN(ディープ・アンフォールディング・ニューラルネット)を一般化した,ディープ・アンフォールディングのためのフレームワークを提案する。 古典的重み付き最小二乗誤差(WMMSE)反復アルゴリズムの構造に基づく効率的なIAIDNNを提案する。 提案したIAIDNNは,計算複雑性を低減した反復WMMSEアルゴリズムの性能を効率よく向上することを示す。
  論文  参考訳（メタデータ） (2020-06-15T02:57:57Z)
• Communication-Efficient Distributed Stochastic AUC Maximization with Deep Neural Networks [50.42141893913188]
  本稿では,ニューラルネットワークを用いた大規模AUCのための分散変数について検討する。 我々のモデルは通信ラウンドをはるかに少なくし、理論上はまだ多くの通信ラウンドを必要としています。 いくつかのデータセットに対する実験は、我々の理論の有効性を示し、我々の理論を裏付けるものである。
  論文  参考訳（メタデータ） (2020-05-05T18:08:23Z)

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。