論文の概要: Learning Nonlinear Systems In-Context: From Synthetic Data to Real-World Motor Control

• arxiv url: http://arxiv.org/abs/2602.07173v1
• Date: Fri, 06 Feb 2026 20:19:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:24.484476
• Title: Learning Nonlinear Systems In-Context: From Synthetic Data to Real-World Motor Control
• Title（参考訳）: 非線形システムの文脈での学習:合成データから実世界のモータ制御へ
• Authors: Tong Jian, Tianyu Dai, Tao Yu,
• Abstract要約: LLMは、文脈内学習能力は強いが、信号処理システムにはまだ拡張されていない。 モータフィードフォワード制御に適用可能なトランスモデルを用いたICLを初めて提案する。 我々は、ICLが合成事前学習と実世界の適応性を橋渡しし、物理システムのデータ効率的な制御のための新しい方向を開くことができることを示す。
• 参考スコア（独自算出の注目度）: 7.638132856491363
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LLMs have shown strong in-context learning (ICL) abilities, but have not yet been extended to signal processing systems. Inspired by their design, we have proposed for the first time ICL using transformer models applicable to motor feedforward control, a critical task where classical PI and physics-based methods struggle with nonlinearities and complex load conditions. We propose a transformer based model architecture that separates signal representation from system behavior, enabling both few-shot finetuning and one-shot ICL. Pretrained on a large corpus of synthetic linear and nonlinear systems, the model learns to generalize to unseen system dynamics of real-world motors only with a handful of examples. In experiments, our approach generalizes across multiple motor load configurations, transforms untuned examples into accurate feedforward predictions, and outperforms PI controllers and physics-based feedforward baselines. These results demonstrate that ICL can bridge synthetic pretraining and real-world adaptability, opening new directions for data efficient control of physical systems.
• Abstract（参考訳）: LLMは強力なコンテキスト内学習(ICL)能力を示しているが、信号処理システムにはまだ拡張されていない。 その設計に触発されて、モータフィードフォワード制御に適用可能なトランスフォーマーモデルを用いたICLを提案し、古典的なPI法と物理に基づく手法が非線形性や複雑な負荷条件に苦しむ重要な課題である。 本稿では,信号表現をシステム動作から分離するトランスフォーマーモデルアーキテクチャを提案する。 合成線形系と非線形系の大規模なコーパスで事前訓練されたこのモデルは、少数の例だけで実世界のモーターの見えない系力学に一般化することを学ぶ。 実験では、複数のモータ負荷構成を一般化し、未修正例を正確なフィードフォワード予測に変換し、PIコントローラや物理ベースのフィードフォワードベースラインを上回ります。 これらの結果は、ICLが合成事前学習と実世界の適応性を橋渡しし、物理システムのデータ効率的な制御のための新しい方向を開拓できることを証明している。

関連論文リスト

• Data-Driven Modeling and Correction of Vehicle Dynamics [36.247839904691105]
  我々は、非自律車両力学を学習し、修正するためのデータ駆動型フレームワークを開発した。 より強い非線形システムでは、ディープニューラルネットワークアプローチであるFlow Map Learningを採用しています。
  論文  参考訳（メタデータ） (2025-11-29T03:04:28Z)
• Higher order quantum reservoir computing for non-intrusive reduced-order models [0.0]
  量子貯水池計算技術(QRC)は、相互接続された小さな量子系のアンサンブルを利用するハイブリッド量子古典的フレームワークである。 QRCは, 複雑な非線形力学系を安定かつ高精度に予測できることを示す。
  論文  参考訳（メタデータ） (2024-07-31T13:37:04Z)
• 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)
• How Do Nonlinear Transformers Learn and Generalize in In-Context Learning? [82.51626700527837]
  トランスフォーマーベースの大規模言語モデルでは、トレーニング済みのモデルが微調整なしで新しいタスクを処理できるような、コンテキスト内学習機能が印象的だった。 我々は、TransformerがICLを実現する方法の仕組みが、Transformerにおけるトレーニング問題の技術的課題にどのように貢献するかを分析する。
  論文  参考訳（メタデータ） (2024-02-23T21:07:20Z)
• MINN: Learning the dynamics of differential-algebraic equations and application to battery modeling [2.1303885995425635]
  モデル統合ニューラルネットワーク(MINN)と呼ばれる新しい機械学習アーキテクチャを提案する。 MINNは偏微分代数方程式(PDAE)からなる一般自律系または非自律系の物理に基づくダイナミクスを学ぶ 提案したニューラルネットワークアーキテクチャを用いてリチウムイオン電池の電気化学的ダイナミクスをモデル化する。
  論文  参考訳（メタデータ） (2023-04-27T09:11:40Z)
• 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)
• Controlling nonlinear dynamical systems into arbitrary states using machine learning [77.34726150561087]
  機械学習(ML)を活用した,新しい完全データ駆動制御方式を提案する。 最近開発されたMLに基づく複雑なシステムの予測機能により、非線形系は任意の初期状態から来る任意の動的対象状態に留まることが証明された。 必要なデータ量が少なく,柔軟性の高いコントロールスキームを備えることで,工学から医学まで幅広い応用の可能性について簡単に議論する。
  論文  参考訳（メタデータ） (2021-02-23T16:58:26Z)
• Information Theoretic Model Predictive Q-Learning [64.74041985237105]
  本稿では,情報理論的MPCとエントロピー正規化RLとの新たな理論的関連性を示す。 バイアスモデルを利用したQ-ラーニングアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2019-12-31T00:29:22Z)

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。