論文の概要: Deep Adaptive Model-Based Design of Experiments

• arxiv url: http://arxiv.org/abs/2603.16146v1
• Date: Tue, 17 Mar 2026 05:53:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-18 17:42:07.120314
• Title: Deep Adaptive Model-Based Design of Experiments
• Title（参考訳）: 深層適応モデルに基づく実験設計
• Authors: Arno Strouwen, Sebastian Micluţa-Câmpeanu,
• Abstract要約: 非線形力学系に対する実験モデルに基づく新しい設計法(MBDOE)を提案する。 我々は,実時間適用を前提として,各実験段階間のコストのかかる後部推論と設計最適化に対処する。 本研究は, モノドキネティクスを付加したフィードバッチバイオリアクター, 基質阻害が不確実なハルダンバイオリアクター, ニュアンスクリアランスパラメータを持つ2成分系薬物動態モデル, リアルタイム展開のためのDCモータを含む, 複雑さの増大する4つのシステムに対するアプローチを実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Model-based design of experiments (MBDOE) is essential for efficient parameter estimation in nonlinear dynamical systems. However, conventional adaptive MBDOE requires costly posterior inference and design optimization between each experimental step, precluding real-time applications. We address this by combining Deep Adaptive Design (DAD), which amortizes sequential design into a neural network policy trained offline, with differentiable mechanistic models. For dynamical systems with known governing equations but uncertain parameters, we extend sequential contrastive training objectives to handle nuisance parameters and propose a transformer-based policy architecture that respects the temporal structure of dynamical systems. We demonstrate the approach on four systems of increasing complexity: a fed-batch bioreactor with Monod kinetics, a Haldane bioreactor with uncertain substrate inhibition, a two-compartment pharmacokinetic model with nuisance clearance parameters, and a DC motor for real-time deployment.
• Abstract（参考訳）: 実験のモデルベース設計(MBDOE)は非線形力学系における効率的なパラメータ推定に不可欠である。 しかし、従来の適応型MBDOEでは、実時間適用を前提として、各実験ステップ間のコストのかかる後部推論と設計の最適化が必要となる。 私たちは、シーケンシャルデザインをオフラインでトレーニングされたニューラルネットワークポリシーに、微分可能なメカニスティックモデルと組み合わせることで、この問題に対処します。 支配方程式が知られているが不確実なパラメータを持つ力学系に対しては、逐次的コントラスト学習目標を拡張してニュアンスパラメータを扱い、動的系の時間構造を尊重する変圧器ベースのポリシーアーキテクチャを提案する。 本研究は, モノドキネティクスを付加したフィードバッチバイオリアクター, 基質阻害が不確かでないHaldaneバイオリアクター, ニュアンスクリアランスパラメータを持つ2成分系薬物動態モデル, リアルタイム展開のためのDCモータの4つのシステムに対するアプローチを示す。

関連論文リスト

• Model-Based Diffusion Sampling for Predictive Control in Offline Decision Making [48.998030470623384]
  オフラインの意思決定は、さらなるインタラクションを伴わずに、固定データセットからの信頼性の高い振る舞いを必要とする。 i)タスク整列軌道を多様に生成するプランナー,(ii)システム力学との整合性を強制するダイナミクスモデル,(iii)タスク目標に整合した動作を選択するランサーモジュールからなる構成モデルに基づく拡散フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-09T06:26:02Z)
• Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
  本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。 具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
  論文  参考訳（メタデータ） (2025-03-24T03:19:45Z)
• Generalized Factor Neural Network Model for High-dimensional Regression [50.554377879576066]
  複素・非線形・雑音に隠れた潜在低次元構造を持つ高次元データセットをモデル化する課題に取り組む。 我々のアプローチは、非パラメトリック回帰、因子モデル、高次元回帰のためのニューラルネットワークの概念のシームレスな統合を可能にする。
  論文  参考訳（メタデータ） (2025-02-16T23:13:55Z)
• Modelling Mosquito Population Dynamics using PINN-derived Empirical Parameters [5.585625844344932]
  我々は、逆パラメータを決定するためにPINNを用いた力学モデルにおける生物学的プロセスのパラメータ化の改善に焦点をあてる。 PINNは、物理法則、生物学的法則、化学法則を、観測または測定データに基づいて訓練されたニューラルネットワークに組み込む。 PINNモデルの性能についてより深く理解するために、PINNアーキテクチャの変更がフレームワークの性能に与える影響を調査するために、最終的な検証が使用された。
  論文  参考訳（メタデータ） (2024-12-10T13:51:48Z)
• Automatically Learning Hybrid Digital Twins of Dynamical Systems [56.69628749813084]
  Digital Twins (DT)は、現実世界のシステムの状態と時間力学をシミュレートする。 DTは、しばしばデータスカース設定で目に見えない条件に一般化するのに苦労します。 本稿では,HDTwinsを自律的に提案し,評価し,最適化するための進化的アルゴリズム(textbfHDTwinGen$)を提案する。
  論文  参考訳（メタデータ） (2024-10-31T07:28:22Z)
• A parametric framework for kernel-based dynamic mode decomposition using deep learning [0.0]
  提案されたフレームワークは、オフラインとオンラインの2つのステージで構成されている。 オンラインステージでは、これらのLANDOモデルを活用して、所望のタイミングで新しいデータを生成する。 高次元力学系に次元還元法を適用して, トレーニングの計算コストを低減させる。
  論文  参考訳（メタデータ） (2024-09-25T11:13:50Z)
• Active-Learning-Driven Surrogate Modeling for Efficient Simulation of Parametric Nonlinear Systems [0.0]
  支配方程式がなければ、パラメトリック還元次代理モデルを非侵襲的に構築する必要がある。 我々の研究は、パラメータのスナップショットを効率的に表示するための非侵入的最適性基準を提供する。 カーネルベースの浅層ニューラルネットワークを用いた能動的学習駆動サロゲートモデルを提案する。
  論文  参考訳（メタデータ） (2023-06-09T18:01:14Z)
• Reduced order modeling of parametrized systems through autoencoders and SINDy approach: continuation of periodic solutions [0.0]
  本研究は,ROM構築と動的識別の低減を組み合わせたデータ駆動型非侵入型フレームワークを提案する。 提案手法は、非線形力学(SINDy)のパラメトリックスパース同定によるオートエンコーダニューラルネットワークを利用して、低次元力学モデルを構築する。 これらは、システムパラメータの関数として周期的定常応答の進化を追跡し、過渡位相の計算を避け、不安定性と分岐を検出することを目的としている。
  論文  参考訳（メタデータ） (2022-11-13T01:57:18Z)

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。