論文の概要: Physically-informed change-point kernels for structural dynamics
- arxiv url: http://arxiv.org/abs/2506.11625v1
- Date: Fri, 13 Jun 2025 09:52:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-16 17:50:49.74207
- Title: Physically-informed change-point kernels for structural dynamics
- Title（参考訳）: 構造力学のための物理的インフォームドな変化点核
- Authors: Daniel James Pitchforth, Matthew Rhys Jones, Samuel John Gibson, Elizabeth Jane Cross,
- Abstract要約: 本稿では,ガウス過程のための新しい,物理的にインフォームドされた,変化点カーネルを開発する。
ユーザに対して高いレベルのコントロールが与えられ、現象が発生するべき条件の定義が可能になる。
また、物理現象に基づいてモデル化された雑音のバラツキも実施し、予測とともに不確実性をより顕著に捉えた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The relative balance between physics and data within any physics-informed machine learner is an important modelling consideration to ensure that the benefits of both physics and data-based approaches are maximised. An over reliance on physical knowledge can be detrimental, particularly when the physics-based component of a model may not accurately represent the true underlying system. An underutilisation of physical knowledge potentially wastes a valuable resource, along with benefits in model interpretability and reduced demand for expensive data collection. Achieving an optimal physics-data balance is a challenging aspect of model design, particularly if the level varies through time; for example, one might have a physical approximation, only valid within particular regimes, or a physical phenomenon may be known to only occur when given conditions are met (e.g. at high temperatures). This paper develops novel, physically-informed, change-point kernels for Gaussian processes, capable of dynamically varying the reliance upon available physical knowledge. A high level of control is granted to a user, allowing for the definition of conditions in which they believe a phenomena should occur and the rate at which the knowledge should be phased in and out of a model. In circumstances where users may be less certain, the switching reliance upon physical knowledge may be automatically learned and recovered from the model in an interpretable and intuitive manner. Variation of the modelled noise based on the physical phenomena occurring is also implemented to provide a more representative capture of uncertainty alongside predictions. The capabilities of the new kernel structures are explored through the use of two engineering case studies: the directional wind loading of a cable-stayed bridge and the prediction of aircraft wing strain during in-flight manoeuvring.
- Abstract（参考訳）: 物理インフォームドマシン学習者における物理とデータ間の相対的バランスは、物理とデータに基づくアプローチの両方の利点が最大化されることを保証するための重要なモデリングの考察である。
物理知識への過度な依存は有害であり、特にモデルの物理ベースのコンポーネントが真の基礎となるシステムを正確に表現できない場合である。
物理的知識の未利用は、モデル解釈可能性と高価なデータ収集の需要削減のメリットとともに、貴重なリソースを浪費する可能性がある。
最適な物理データバランスを達成することは、モデル設計の難しい側面であり、特に、時間によってレベルが変化する場合、例えば、特定のレジーム内でのみ有効である物理的近似を持つ場合や、与えられた条件が満たされたときにのみ物理現象が発生することが知られている場合(例えば高温の場合)である。
本稿では,ガウス過程のための新しい,物理的にインフォームドされた,変化点カーネルを開発し,利用可能な物理知識に依存して動的に変化させることができる。
ユーザに対して高いレベルのコントロールが与えられ、現象が発生するべきだと信じている条件と、その知識がモデルの内外へ段階的に移行すべき速度の定義が可能になる。
ユーザが確実でない状況下では、物理的知識による切り替え依存を自動的に学習し、解釈可能な直感的な方法でモデルから復元することができる。
また、物理現象に基づいてモデル化された雑音のバラツキも実施し、予測とともに不確実性をより顕著に捉えた。
新しいカーネル構造の能力は、ケーブルステイドブリッジの方向風荷重と、飛行中の飛行中の翼ひずみの予測という2つの工学的ケーススタディを用いて検討されている。
関連論文リスト
- Physics-consistent machine learning: output projection onto physical manifolds [2.06242362470764]
データ駆動機械学習モデルは、しばしば、費用がかかるかアクセス不能な広範囲なデータセットを必要とする。
本稿では,物理原理の遵守を直接実施する新しい物理一貫性機械学習手法を提案する。
本手法はバネ質量系と低温反応性プラズマの2つの系で実証された。
論文 参考訳（メタデータ） (2025-02-11T13:18:19Z) - PIETRA: Physics-Informed Evidential Learning for Traversing Out-of-Distribution Terrain [35.21102019590834]
物理インフォームド・エビデンシャル・トラバーサビリティ(英: Physics-Informed Evidential Traversability、略称:PIETRA)は、物理の先行性を直接、明らかなニューラルネットワークの数学的定式化に統合する自己指導型学習フレームワークである。
我々の明らかなネットワークは、学習と物理に基づくアウト・オブ・ディストリビューション・インプットの予測をシームレスに遷移させる。
PIETRAは、大きな分散シフトのある環境における学習精度とナビゲーション性能の両方を改善している。
論文 参考訳（メタデータ） (2024-09-04T18:01:10Z) - Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。
物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。
本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
論文 参考訳（メタデータ） (2022-10-13T10:00:30Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳（メタデータ） (2022-06-07T13:51:35Z) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳（メタデータ） (2021-12-15T20:09:20Z) - Physically Explainable CNN for SAR Image Classification [59.63879146724284]
本稿では,SAR画像分類のための新しい物理誘導型ニューラルネットワークを提案する。
提案フレームワークは,(1)既存の説明可能なモデルを用いて物理誘導信号を生成すること,(2)物理誘導ネットワークを用いた物理認識特徴を学習すること,(3)従来の分類深層学習モデルに適応的に物理認識特徴を注入すること,の3つの部分からなる。
実験の結果,提案手法はデータ駆動型CNNと比較して,分類性能を大幅に向上することがわかった。
論文 参考訳（メタデータ） (2021-10-27T03:30:18Z) - Physics-Integrated Variational Autoencoders for Robust and Interpretable
Generative Modeling [86.9726984929758]
我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。
本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。
合成および実世界のデータセットの集合に対して生成的性能改善を示す。
論文 参考訳（メタデータ） (2021-02-25T20:28:52Z) - Identification of state functions by physically-guided neural networks
with physically-meaningful internal layers [0.0]
我々は,物理系における入力-出力関係を予測するために,物理的拘束型ニューラルネットワーク(PCNN)の概念を用いる。
このアプローチは、物理的に予測されるだけでなく、トレーニングプロセスの加速を図っている。
論文 参考訳（メタデータ） (2020-11-17T11:26:37Z) - Augmenting Physical Models with Deep Networks for Complex Dynamics
Forecasting [34.61959169976758]
APHYNITYは、深層データ駆動モデルを持つ微分方程式によって記述された不完全な物理力学を増大させる原理的なアプローチである。
これは、動的を2つのコンポーネントに分解することで構成されます。物理コンポーネントは、事前の知識を持つダイナミクスを、データ駆動コンポーネントは、物理モデルのエラーを説明します。
論文 参考訳（メタデータ） (2020-10-09T09:31:03Z) - Visual Grounding of Learned Physical Models [66.04898704928517]
人間は、物体の物理的特性を直感的に認識し、複雑な相互作用に従事している場合でも、その動きを予測する。
我々は、物理を同時に推論し、視覚と力学の先行に基づく将来の予測を行うニューラルモデルを提案する。
実験により、我々のモデルはいくつかの観測範囲内で物理的特性を推測できることが示され、モデルが目に見えないシナリオに迅速に適応し、将来正確な予測を行うことができる。
論文 参考訳（メタデータ） (2020-04-28T17:06:38Z)
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。