論文の概要: RHYME-XT: A Neural Operator for Spatiotemporal Control Systems

• arxiv url: http://arxiv.org/abs/2603.17867v1
• Date: Wed, 18 Mar 2026 15:55:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-19 18:32:57.807269
• Title: RHYME-XT: A Neural Operator for Spatiotemporal Control Systems
• Title（参考訳）: RHYME-XT : 時空間制御系のためのニューラル演算子
• Authors: Marijn Ruiter, Miguel Aguiar, Jake Rap, Karl H. Johansson, Amritam Das,
• Abstract要約: 入力-アフィン非線形部分積分微分方程式(PIDE)による制御系制御のための演算子学習フレームワーク RHYME-XT を提案する。 RHYME-XT はガレルキン射影を用いて、ニューラルネットワークによってパラメータ化された基底関数で無限次元の部分空間を近似する。 ニューラルネットワークPIDEの実験によると、RHYME-XTは最先端のニューラル演算子より優れており、異なるデータセットでトレーニングされたモデル間で知識を効果的に伝達することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose RHYME-XT, an operator-learning framework for surrogate modeling of spatiotemporal control systems governed by input-affine nonlinear partial integro-differential equations (PIDEs) with localized rhythmic behavior. RHYME-XT uses a Galerkin projection to approximate the infinite-dimensional PIDE on a learned finite-dimensional subspace with spatial basis functions parameterized by a neural network. This yields a projected system of ODEs driven by projected inputs. Instead of integrating this non-autonomous system, we directly learn its flow map using an architecture for learning flow functions, avoiding costly computations while obtaining a continuous-time and discretization-invariant representation. Experiments on a neural field PIDE show that RHYME-XT outperforms a state-of-the-art neural operator and is able to transfer knowledge effectively across models trained on different datasets, through a fine-tuning process.
• Abstract（参考訳）: 入力-アフィン非線形部分積分微分方程式(PIDE)によって制御される時空間制御系のシュロゲートモデリングのための演算子学習フレームワーク RHYME-XT を提案する。 RHYME-XT はガレルキン射影を用いて学習された有限次元部分空間上の無限次元 PIDE をニューラルネットワークでパラメータ化された空間基底関数で近似する。 これにより、投影された入力によって駆動されるODEの投影システムが得られる。 この非自律システムを統合する代わりに、フロー関数を学習するためのアーキテクチャを用いて直接フローマップを学習し、連続時間および離散化不変表現を取得しながら、コストのかかる計算を避ける。 ニューラルネットワークPIDEの実験によると、RHYME-XTは最先端のニューラル演算子より優れており、異なるデータセットでトレーニングされたモデル間で、微調整プロセスを通じて知識を効果的に伝達することができる。

関連論文リスト

• PMNO: A novel physics guided multi-step neural operator predictor for partial differential equations [23.04840527974364]
  本稿では,複雑な物理系の長期予測における課題に対処する物理誘導多段階ニューラル演算子(PMNO)アーキテクチャを提案する。 PMNOフレームワークは、シングルステップ入力をフォワードパス内の複数ステップの履歴データに置き換え、バックプロパゲーション中に暗黙のタイムステッピングスキームを導入する。 様々な物理系におけるPMNO予測器の優れた予測性能を示す。
  論文  参考訳（メタデータ） (2025-06-02T12:33:50Z)
• ICODE: Modeling Dynamical Systems with Extrinsic Input Information [14.521146920900316]
  本稿では,モデルの学習過程に,正確なリアルタイム入力情報を組み込んだEmphInput Concomitant Neural ODE(ICODE)を紹介する。 いくつかの代表的実動力学の実験を通して本手法を検証する。 この研究は、明示的な外部入力情報で物理的システムを理解するための貴重なニューラルネットワークODEモデルのクラスを提供する。
  論文  参考訳（メタデータ） (2024-11-21T07:57:59Z)
• Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
  我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。 新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。 我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
  論文  参考訳（メタデータ） (2024-02-20T15:23:24Z)
• Learning Flow Functions from Data with Applications to Nonlinear Oscillators [0.0]
  フロー関数の学習は離散時間力学系の入力状態マップの学習と等価であることを示す。 これにより、RNNをエンコーダとデコーダネットワークと共に使用し、システムの状態をRNNとバックの隠された状態にマッピングする。
  論文  参考訳（メタデータ） (2023-03-29T13:04:04Z)
• Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
  教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。 我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。 対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
  論文  参考訳（メタデータ） (2023-02-10T08:05:19Z)
• Fast Sampling of Diffusion Models via Operator Learning [74.37531458470086]
  我々は,拡散モデルのサンプリング過程を高速化するために,確率フロー微分方程式の効率的な解法であるニューラル演算子を用いる。 シーケンシャルな性質を持つ他の高速サンプリング手法と比較して、並列復号法を最初に提案する。 本稿では,CIFAR-10では3.78、ImageNet-64では7.83の最先端FIDを1モデル評価環境で達成することを示す。
  論文  参考訳（メタデータ） (2022-11-24T07:30:27Z)
• Semi-supervised Learning of Partial Differential Operators and Dynamical Flows [68.77595310155365]
  本稿では,超ネットワーク解法とフーリエニューラル演算子アーキテクチャを組み合わせた新しい手法を提案する。 本手法は, 1次元, 2次元, 3次元の非線形流体を含む様々な時間発展PDEを用いて実験を行った。 その結果、新しい手法は、監督点の時点における学習精度を向上し、任意の中間時間にその解を補間できることを示した。
  論文  参考訳（メタデータ） (2022-07-28T19:59:14Z)
• Supervised DKRC with Images for Offline System Identification [77.34726150561087]
  現代の力学系はますます非線形で複雑なものになりつつある。 予測と制御のためのコンパクトで包括的な表現でこれらのシステムをモデル化するフレームワークが必要である。 本手法は,教師付き学習手法を用いてこれらの基礎関数を学習する。
  論文  参考訳（メタデータ） (2021-09-06T04:39:06Z)
• Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for Online Collision Avoidance [95.86944752753564]
  本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。 我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。 本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
  論文  参考訳（メタデータ） (2020-07-28T07:34:30Z)

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。