論文の概要: Controlling Topological Defects in Polar Fluids via Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2507.19298v1
• Date: Fri, 25 Jul 2025 14:12:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-28 16:16:48.988974
• Title: Controlling Topological Defects in Polar Fluids via Reinforcement Learning
• Title（参考訳）: 強化学習による極性流体中のトポロジカル欠陥の制御
• Authors: Abhinav Singh, Petros Koumoutsakos,
• Abstract要約: 拘束活性流体中の整数帯電欠陥の閉ループステアリングについて検討した。 本研究では, アクティブストレスの局所的な制御が, 所定の軌道に沿った流れ場を再現し, 直接的欠陥を生じさせることを示す。 結果は、トポロジカルな励起を操作するために、AIエージェントが基礎となる力学と空間的構造的活動を学ぶ方法を強調している。
• 参考スコア（独自算出の注目度）: 1.523267496998255
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Topological defects in active polar fluids exhibit complex dynamics driven by internally generated stresses, reflecting the deep interplay between topology, flow, and non-equilibrium hydrodynamics. Feedback control offers a powerful means to guide such systems, enabling transitions between dynamic states. We investigated closed-loop steering of integer-charged defects in a confined active fluid by modulating the spatial profile of activity. Using a continuum hydrodynamic model, we show that localized control of active stress induces flow fields that can reposition and direct defects along prescribed trajectories by exploiting non-linear couplings in the system. A reinforcement learning framework is used to discover effective control strategies that produce robust defect transport across both trained and novel trajectories. The results highlight how AI agents can learn the underlying dynamics and spatially structure activity to manipulate topological excitations, offering insights into the controllability of active matter and the design of adaptive, self-organized materials.
• Abstract（参考訳）: 活性極性流体のトポロジカルな欠陥は、内部で生成された応力によって駆動される複雑な力学を示し、トポロジ、流れ、非平衡流体力学の深い相互作用を反映している。 フィードバック制御はそのようなシステムをガイドする強力な手段を提供し、動的状態間の遷移を可能にする。 活性流体中における整数帯電欠陥のクローズドループステアリングについて, 活性の空間的分布を調節して検討した。 連続流体力学モデルを用いて, 活性応力の局所的な制御は, 系の非線形結合を利用して, 所定の軌道に沿った流れ場を再構成し, 直接的に欠陥を生じさせることを示す。 強化学習フレームワークは、訓練された軌跡と新規な軌跡をまたいだ堅牢な欠陥輸送を生み出す効果的な制御戦略を発見するために使用される。 その結果、AIエージェントは、トポロジカルな励起を操作するために基礎となるダイナミクスや空間的構造的活動を学ぶことができ、アクティブな物質の制御性や適応的で自己組織化された材料の設計に関する洞察を提供する。

関連論文リスト

• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• Model-Based Reinforcement Learning for Control of Strongly-Disturbed Unsteady Aerodynamic Flows [0.0]
  本稿では,モデルに基づく強化学習(MBRL)手法を提案する。 このモデルの精度とロバスト性は、非常に乱れた環境下での投球翼のシナリオで実証される。 乱れのない環境における垂直軸風力タービンへの適用をAppendixで論じる。
  論文  参考訳（メタデータ） (2024-08-26T23:21:44Z)
• Inferring Relational Potentials in Interacting Systems [56.498417950856904]
  このような相互作用を発見する代替手法として、ニューラル・インタラクション・推論(NIIP)を提案する。 NIIPは観測された関係制約を尊重する軌道のサブセットに低エネルギーを割り当てる。 別々に訓練されたモデル間での相互作用の型を交換するなどの軌道操作や、軌道予測を可能にする。
  論文  参考訳（メタデータ） (2023-10-23T00:44:17Z)
• Amortized Network Intervention to Steer the Excitatory Point Processes [8.15558505134853]
  動的グラフ上に発生する励起点過程(すなわちイベントフロー)は、時間と空間を通じて離散事象がどのように広がるかを把握するためのきめ細かいモデルを提供する。 動的グラフ構造を変更してイベントフローを効果的に操縦する方法は、感染症の拡散を抑制する動機となる興味深い問題である。 我々はAmortized Network Interventionsフレームワークを設計し、履歴やその他のコンテキストから最適なポリシーをプールできるようにする。
  論文  参考訳（メタデータ） (2023-10-06T11:17:28Z)
• How to Control Hydrodynamic Force on Fluidic Pinball via Deep Reinforcement Learning [3.1635451288803638]
  流体ピンボールの流体力を制御するためのDRLに基づくリアルタイムフィードバック戦略を提案する。 報酬関数を適切に設計し、歴史的観測を符号化することにより、DRLに基づく制御が合理的かつ有効な制御決定を行うことを示した。 これらの結果の1つは、力追跡プロセスの意思決定と物理的メカニズムに基づいて光を放つことができる機械学習モデルによって分析された。
  論文  参考訳（メタデータ） (2023-04-23T03:39:50Z)
• Model-Based Reinforcement Learning with Isolated Imaginations [61.67183143982074]
  モデルに基づく強化学習手法であるIso-Dream++を提案する。 我々は、切り離された潜在的想像力に基づいて政策最適化を行う。 これにより、野生の混合力学源を孤立させることで、長い水平振動子制御タスクの恩恵を受けることができる。
  論文  参考訳（メタデータ） (2023-03-27T02:55:56Z)
• 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)
• Isolating and Leveraging Controllable and Noncontrollable Visual Dynamics in World Models [65.97707691164558]
  Iso-DreamはDream-to-Controlフレームワークを2つの側面で改善する。 まず、逆動力学を最適化することにより、世界モデルに制御可能で制御不能な情報源を学習させることを奨励する。 第2に、エージェントの挙動を世界モデルの切り離された潜在的想像力に最適化する。
  論文  参考訳（メタデータ） (2022-05-27T08:07:39Z)
• Reinforcement Learning reveals fundamental limits on the mixing of active particles [2.294014185517203]
  活性物質では、粒子間の非線形力学と長距離相互作用は系の力学の閉形式記述を禁止している。 RLは, 粒子相互作用と反発性粒子相互作用を組み合わせたシステムにおいて, 正準能動性物質を混合するタスクにおいて, 優れた戦略しか見つからないことを示す。
  論文  参考訳（メタデータ） (2021-05-28T21:04:55Z)
• Trajectory Tracking of Underactuated Sea Vessels With Uncertain Dynamics: An Integral Reinforcement Learning Approach [2.064612766965483]
  積分強化学習に基づくオンライン機械学習メカニズムを提案し,非線形追跡問題のクラスに対する解を求める。 このソリューションは、適応的批評家と勾配降下アプローチを用いて実現されるオンライン価値反復プロセスを用いて実装される。
  論文  参考訳（メタデータ） (2021-04-01T01:41:49Z)
• An Ode to an ODE [78.97367880223254]
  我々は、O(d) 群上の行列フローに応じて主フローの時間依存パラメータが進化する ODEtoODE と呼ばれるニューラルODE アルゴリズムの新しいパラダイムを提案する。 この2つの流れのネストされたシステムは、訓練の安定性と有効性を提供し、勾配の消滅・爆発問題を確実に解決する。
  論文  参考訳（メタデータ） (2020-06-19T22:05:19Z)

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。