論文の概要: Hybrid Energy-Based Models for Physical AI: Provably Stable Identification of Port-Hamiltonian Dynamics
- arxiv url: http://arxiv.org/abs/2604.00277v2
- Date: Thu, 02 Apr 2026 09:24:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-03 14:21:09.366253
- Title: Hybrid Energy-Based Models for Physical AI: Provably Stable Identification of Port-Hamiltonian Dynamics
- Title（参考訳）: 物理AIのためのハイブリッドエネルギーベースモデル:ポート・ハミルトン力学の安定同定
- Authors: Simone Betteti, Luca Laurenti,
- Abstract要約: エネルギーベースモデル(EBM)は、学習されたリャプノフ関数の降下として勾配を実装している。
既存のアーキテクチャは、グローバルに不安定なモードを妨げる形式的な安定性の保証を欠いている。
安定で散逸性があり、不変力学を吸収するシステム識別のためのEMMフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 4.783662115021616
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Energy-based models (EBMs) implement inference as gradient descent on a learned Lyapunov function, yielding interpretable, structure-preserving alternatives to black-box neural ODEs and aligning naturally with physical AI. Yet their use in system identification remains limited, and existing architectures lack formal stability guarantees that globally preclude unstable modes. We address this gap by introducing an EBM framework for system identification with stable, dissipative, absorbing invariant dynamics. Unlike classical global Lyapunov stability, absorbing invariance expands the class of stability-preserving architectures, enabling more flexible and expressive EBMs. We extend EBM theory to nonsmooth activations by establishing negative energy dissipation via Clarke derivatives and deriving new conditions for radial unboundedness, exposing a stability-expressivity tradeoff in standard EBMs. To overcome this, we introduce a hybrid architecture with a dynamical visible layer and static hidden layers, prove absorbing invariance under mild assumptions, and show that these guarantees extend to port-Hamiltonian EBMs. Experiments on metric-deformed multi-well and ring systems validate the approach, showcasing how our hybrid EBM architecture combines expressivity with sound and provable safety guarantees by design.
- Abstract（参考訳）: エネルギーベースモデル(EBM)は、学習したリアプノフ関数の勾配降下として推論を実装し、ブラックボックスニューラル・オードの解釈可能な構造保存の代替となり、物理的AIと自然に整合する。
しかし、システム識別におけるそれらの使用は限定的であり、既存のアーキテクチャでは、不安定なモードを全世界的に防止する形式的な安定性保証が欠如している。
このギャップに対処するために、安定で散逸性があり、不変力学を吸収するシステム識別のためのEMMフレームワークを導入する。
古典的グローバルなリアプノフの安定性とは異なり、吸収不変性は安定性を保つアーキテクチャのクラスを拡張し、より柔軟で表現力のあるEMMを可能にする。
我々は、クラーク誘導体による負のエネルギー散逸を確立し、放射状非有界性の新しい条件を導出することにより、ESM理論を非滑らかな活性化に拡張し、標準ESMにおける安定性-表現性トレードオフを露呈する。
これを解決するために,動的可視層と静的隠蔽層を備えたハイブリッドアーキテクチャを導入する。
距離変形型マルチウェルおよびリングシステムの実験は、我々のハイブリッドEMMアーキテクチャが、いかに表現性と音の結合と、設計による証明可能な安全保証とを組み合わせているかを示し、このアプローチを検証する。
関連論文リスト
- EFF-Grasp: Energy-Field Flow Matching for Physics-Aware Dexterous Grasp Generation [54.09734511705173]
EFF-Graspは、物理を意識したデクサラスグリップ生成のためのフローマッチング合成ベースのフレームワークである。
我々は、スムーズな確率フローによる効率的な安定な生成を可能にする決定論的常微分方程式(ODE)プロセスとして、グリップを再構成する。
EFF-Graspは、拡散ベースラインよりもサンプリングステップを著しく少なくしながら、把握品質と物理的実現性において優れた性能を実現する。
論文 参考訳（メタデータ） (2026-03-17T06:11:56Z) - KoopGen: Koopman Generator Networks for Representing and Predicting Dynamical Systems with Continuous Spectra [65.11254608352982]
生成元をベースとしたニューラル・クープマン・フレームワークを導入し,構造的かつ状態に依存したクープマン・ジェネレータの表現を通じて動的にモデル化する。
固有のカルテス分解をスキュー結合および自己結合成分に利用することにより、KoopGenは可逆的な散逸から保守的な輸送を分離する。
論文 参考訳（メタデータ） (2026-02-15T06:32:23Z) - Position: Certifiable State Integrity in Cyber-Physical Systems -- Why Modular Sovereignty Solves the Plasticity-Stability Paradox [0.0]
最近の証拠は、微調整された時系列基盤モデルが、以前の政権における破滅的な、劣化するパフォーマンスを忘れてしまうことを示唆している。
この位置紙は、塑性安定性パラドックスはグローバルパラメータ更新によって完全には解決できないと主張している。
代わりに、モジュール・ソブリンティ・パラダイム(Modular Sovereignty paradigm)を提唱する。
論文 参考訳（メタデータ） (2026-01-29T04:10:58Z) - Aligning Agentic World Models via Knowledgeable Experience Learning [68.85843641222186]
環境フィードバックをシンセサイザー化したWorld Knowledge Repositoryを構築するフレームワークであるWorldMindを紹介する。
WorldMindは、優れたクロスモデルとクロス環境転送性を備えたベースラインよりも優れたパフォーマンスを実現している。
論文 参考訳（メタデータ） (2026-01-19T17:33:31Z) - Physics-Embedded Neural ODEs for Sim2Real Edge Digital Twins of Hybrid Power Electronics Systems [6.073480880825787]
エッジデジタルツイン(EDT)は電力電子システム(PES)の監視と制御に不可欠である
既存のモデリングアプローチは、PESに固有の継続的な進化するハイブリッドダイナミクスを継続的に捉えるのに苦労している。
本稿では,複合動作機構をイベントオートマトンとして組み込んで,スイッチング離散を明示的に制御する物理埋め込み型ニューラルネットワーク(PENODE)を提案する。
論文 参考訳（メタデータ） (2025-08-04T20:34:13Z) - Learning Energy-Based Generative Models via Potential Flow: A Variational Principle Approach to Probability Density Homotopy Matching [9.12119858170289]
エネルギーベースモデル(EBMs)は確率的生成モデルの強力なクラスである。
本稿では,新しいエネルギーベース生成フレームワークVPFBを提案する。
論文 参考訳（メタデータ） (2025-04-22T20:39:07Z) - Energy Matching: Unifying Flow Matching and Energy-Based Models for Generative Modeling [5.787270247104665]
現在の最先端生成モデルは、フローやスコアの一致によって、ノイズをデータ分布にマッピングする。
本稿では,ESMの柔軟性を備えたフローベースアプローチを実現するフレームワークであるEnergy Matchingを提案する。
論文 参考訳（メタデータ） (2025-04-14T18:10:58Z) - On Feature Diversity in Energy-based Models [98.78384185493624]
エネルギーベースモデル(EBM)は通常、異なる特徴の組み合わせを学習し、入力構成ごとにエネルギーマッピングを生成する内部モデルによって構成される。
EBMのほぼ正しい(PAC)理論を拡張し,EBMの性能に及ぼす冗長性低減の影響を解析した。
論文 参考訳（メタデータ） (2023-06-02T12:30:42Z) - Guiding Energy-based Models via Contrastive Latent Variables [81.68492940158436]
エネルギーベースモデル(EBM)は、明示的な密度とアーキテクチャの柔軟性の両方を提供する一般的な生成フレームワークである。
EBMとGANのような生成フレームワークの間には、世代品質の点で大きなギャップがあることが多い。
コントラスト表現学習によるESM改善のための新しい効果的なフレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-06T10:50:25Z) - Latent Diffusion Energy-Based Model for Interpretable Text Modeling [104.85356157724372]
本稿では,拡散モデルと潜時空間ESMの共生を変動学習フレームワークで導入する。
我々は,学習した潜在空間の品質を向上させるために,情報ボトルネックと合わせて幾何学的クラスタリングに基づく正規化を開発する。
論文 参考訳（メタデータ） (2022-06-13T03:41:31Z)
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。