論文の概要: SOLIS: Physics-Informed Learning of Interpretable Neural Surrogates for Nonlinear Systems

• arxiv url: http://arxiv.org/abs/2604.14879v1
• Date: Thu, 16 Apr 2026 11:12:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 21:29:31.860391
• Title: SOLIS: Physics-Informed Learning of Interpretable Neural Surrogates for Nonlinear Systems
• Title（参考訳）: SOLIS:非線形システムのための解釈可能なニューラルネットワークの物理インフォームドラーニング
• Authors: Murat Furkan Mansur, Tufan Kumbasar,
• Abstract要約: textbfSOLISは、状態条件付き2階代理モデルを介して未知のダイナミクスをモデル化する textbfLocal Physics Hintsウィンドウ付きリッジ回帰アンカーは最適化の崩壊を緩和する。 ベンチマークの実験では、標準逆メソッドが失敗するレギュレーションを含むスパースデータから正確なパラメータ・マニフォールド・リカバリとコヒーレントな物理ロールアウトが示されている。
• 参考スコア（独自算出の注目度）: 6.5745172279769255
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Nonlinear system identification must balance physical interpretability with model flexibility. Classical methods yield structured, control-relevant models but rely on rigid parametric forms that often miss complex nonlinearities, whereas Neural ODEs are expressive yet largely black-box. Physics-Informed Neural Networks (PINNs) sit between these extremes, but inverse PINNs typically assume a known governing equation with fixed coefficients, leading to identifiability failures when the true dynamics are unknown or state-dependent. We propose \textbf{SOLIS}, which models unknown dynamics via a \emph{state-conditioned second-order surrogate model} and recasts identification as learning a Quasi-Linear Parameter-Varying (Quasi-LPV) representation, recovering interpretable natural frequency, damping, and gain without presupposing a global equation. SOLIS decouples trajectory reconstruction from parameter estimation and stabilizes training with a cyclic curriculum and \textbf{Local Physics Hints} windowed ridge-regression anchors that mitigate optimization collapse. Experiments on benchmarks show accurate parameter-manifold recovery and coherent physical rollouts from sparse data, including regimes where standard inverse methods fail.
• Abstract（参考訳）: 非線形システム同定は、物理的解釈可能性とモデルの柔軟性のバランスをとる必要がある。 古典的手法は構造化された制御関連モデルを生成するが、複雑な非線形性を欠くような厳密なパラメトリック形式に依存している。 物理情報ニューラルネットワーク(PINN)は、これらの極端の間に位置するが、逆PINNは通常、固定係数を持つ既知の支配方程式を仮定し、真の力学が未知あるいは状態依存の場合に識別可能性障害を引き起こす。 本稿では,擬似線形パラメータバリアリング(Quasi-LPV)表現を学習し,解釈可能な自然周波数の回復,減衰,ゲインを,大域方程式を仮定することなく,未知のダイナミクスをモデル化する。 SOLISは、パラメータ推定から軌道再構成を分離し、周期的カリキュラムと最適化の崩壊を緩和する窓付きリッジ-回帰アンカーによる訓練を安定化する。 ベンチマークの実験では、標準逆メソッドが失敗するレギュレーションを含むスパースデータから正確なパラメータ・マニフォールド・リカバリとコヒーレントな物理ロールアウトが示されている。

関連論文リスト

• Comparing Physics-Informed and Neural ODE Approaches for Modeling Nonlinear Biological Systems: A Case Study Based on the Morris-Lecar Model [0.0]
  本研究は,3つの標準分岐系におけるPINNとNODEの性能を系統的に評価する。 その結果, PINNは剛性や敏感な分岐を含むシナリオにおいて, 高い精度と堅牢性を達成する傾向が示唆された。
  論文  参考訳（メタデータ） (2026-03-27T18:53:53Z)
• 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)
• Disordered Dynamics in High Dimensions: Connections to Random Matrices and Machine Learning [52.26396748560348]
  ランダム行列によって駆動される高次元力学系について概説する。 機械学習理論における学習と一般化の単純なモデルへの応用に焦点を当てる。
  論文  参考訳（メタデータ） (2026-01-03T00:12:32Z)
• Robustly Invertible Nonlinear Dynamics and the BiLipREN: Contracting Neural Models with Contracting Inverses [2.0277446818410994]
  本研究では, 非線形力学系の可逆性について, 収縮解析と漸進安定性解析の観点から検討する。 本稿では,新しい可逆的リカレントニューラルモデルBiLipRENを提案する。
  論文  参考訳（メタデータ） (2025-05-05T23:27:52Z)
• Neural Contraction Metrics with Formal Guarantees for Discrete-Time Nonlinear Dynamical Systems [17.905596843865705]
  収縮メトリクスは、様々な力学系の安定性、堅牢性、収束性を分析する強力なフレームワークを提供する。 しかしながら、複雑な非線形系に対するこれらの指標の同定は、効果的なツールが欠如しているため、未解決の課題である。 本稿では,離散的スケーラブル非線形システムに対する検証可能な収縮指標について述べる。
  論文  参考訳（メタデータ） (2025-04-23T21:27:32Z)
• Generative System Dynamics in Recurrent Neural Networks [56.958984970518564]
  リカレントニューラルネットワーク(RNN)の連続時間ダイナミクスについて検討する。 線形および非線形構成の両方において安定な極限サイクルを実現するためには,スキュー対称性の重み行列が基本であることを示す。 数値シミュレーションは、非線形活性化関数が極限周期を維持するだけでなく、システム統合プロセスの数値安定性を高めることを示す。
  論文  参考訳（メタデータ） (2025-04-16T10:39:43Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• A Priori Denoising Strategies for Sparse Identification of Nonlinear Dynamical Systems: A Comparative Study [68.8204255655161]
  本研究では, 局所的およびグローバルな平滑化手法の性能と, 状態測定値の偏差について検討・比較する。 一般に,測度データセット全体を用いたグローバルな手法は,局所点の周辺に隣接するデータサブセットを用いる局所的手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-01-29T23:31:25Z)
• Physics-informed regularization and structure preservation for learning stable reduced models from data with operator inference [0.0]
  演算子推論は、高次元物理系の軌道から非線形項を持つ低次元力学系モデルを学習する。 2次モデルに対する安定性バイアスを誘導する演算子推論のための正則化器を提案する。 構造を保存するためのモデル制約を強制する演算子推論の定式化を提案する。
  論文  参考訳（メタデータ） (2021-07-06T13:15:54Z)
• Recurrent Equilibrium Networks: Flexible Dynamic Models with Guaranteed Stability and Robustness [3.2872586139884623]
  本稿では,機械学習,システム識別,制御における再帰平衡ネットワーク(REN)を提案する。 RENはRNの二次ベクトルによって直接パラメータ化され、安定性とロバスト性はパラメータ制約なしで確保される。 また,データ駆動型非線形オブザーバの設計と安定性保証による制御への応用について述べる。
  論文  参考訳（メタデータ） (2021-04-13T05:09:41Z)

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。