論文の概要: PiGGO: Physics-Guided Learnable Graph Kalman Filters for Virtual Sensing of Nonlinear Dynamic Structures under Uncertainty

• arxiv url: http://arxiv.org/abs/2604.26593v1
• Date: Wed, 29 Apr 2026 12:22:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-30 15:59:36.390695
• Title: PiGGO: Physics-Guided Learnable Graph Kalman Filters for Virtual Sensing of Nonlinear Dynamic Structures under Uncertainty
• Title（参考訳）: PiGGO:不確かさ下での非線形動的構造の仮想センシングのための物理誘導学習可能なグラフカルマンフィルタ
• Authors: Marcus Haywood-Alexander, Gregory Duthé, Eleni Chatzi,
• Abstract要約: デジタルツインは、エンジニアリングされたシステムの監視と制御における診断および予後タスクのための強力なパラダイムを提供する。 デジタル双生児は、未知の非線形力学から生じるモデル形式の不確実性や、スパースセンシングによって挑戦される。 この研究は、物理インフォームドグラフベースのベイズ状態推定アプローチである物理誘導グラフニューラルネットワーク(PiGGO)フレームワークを紹介する。
• 参考スコア（独自算出の注目度）: 0.21665864340363086
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Digital twins provide a powerful paradigm for diagnostic and prognostic tasks in the monitoring and control of engineered systems; however, their deployment for complex structures remains challenged by model-form uncertainty, arising from unknown nonlinear dynamics, and by sparse sensing. These limitations hinder reliable online state estimation using either purely physics-based or purely data-driven approaches. This work introduces the Physics-Guided Graph Neural ODE (PiGGO) framework, a physics-informed, graph-based Bayesian state estimation approach in which a learned graph neural ordinary differential equation (GNODE) serves as the continuous-time state-transition model within an extended Kalman filter. The graph representation explicitly defines the system state-space, while physics-guided inductive biases encode known structural relationships and constrain the learning of nonlinear dynamics. By integrating graph-native learned dynamics with recursive Bayesian filtering, the proposed PiGGO framework enables online virtual sensing and uncertainty-aware state estimation for nonlinear systems with unknown model form, while maintaining generalisation across topologically similar structures. Numerical case studies demonstrate improved robustness to model uncertainty and measurement noise, outperforming both open-loop graph neural models and conventional filtering approaches in online prediction tasks.
• Abstract（参考訳）: ディジタルツインは、エンジニアリングシステムの監視と制御において、診断および予測タスクのための強力なパラダイムを提供するが、複雑な構造への展開は、未知の非線形力学から生じるモデル形式の不確実性や、スパースセンシングによって、依然として挑戦されている。 これらの制限は、純粋に物理ベースまたは純粋にデータ駆動アプローチを使用して、信頼性の高いオンライン状態推定を妨げる。 本研究は,学習グラフニューラルネットワーク常微分方程式(GNODE)が拡張カルマンフィルタ内の連続時間状態遷移モデルとして機能する物理インフォームドグラフに基づくベイズ状態推定手法である物理誘導グラフニューラルネットワーク(PiGGO)フレームワークを紹介する。 グラフ表現はシステム状態空間を明示的に定義し、物理誘導帰納バイアスは既知の構造的関係を符号化し、非線形力学の学習を制限する。 グラフネイティブな学習力学を再帰的ベイズフィルタと統合することにより、提案したPiGGOフレームワークは、位相的に類似した構造の一般化を維持しつつ、未知のモデルを持つ非線形システムのオンライン仮想センシングと不確実性を考慮した状態推定を可能にする。 数値ケーススタディでは、オンライン予測タスクにおいて、オープンループグラフニューラルモデルと従来のフィルタリング手法の両方よりも優れた、不確実性と測定ノイズをモデル化する堅牢性の向上が示されている。

関連論文リスト

• 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)
• PINN-Obs: Physics-Informed Neural Network-Based Observer for Nonlinear Dynamical Systems [2.884893167166808]
  本稿では,非線形システムにおける状態推定のための新しい適応物理インフォームドニューラルネットワークベースオブザーバ(PINN-Obs)を提案する。 明示的なシステム変換や線形化を必要とする従来のモデルベースオブザーバとは異なり、提案フレームワークはシステムダイナミクスとセンサデータを物理インフォームド学習プロセスに直接統合する。
  論文  参考訳（メタデータ） (2025-07-09T10:09:45Z)
• Robust Moment Identification for Nonlinear PDEs via a Neural ODE Approach [7.097168937001958]
  ニューラルODEを用いたPDE-governedシステムから低次モーメントダイナミクスを学習するためのデータ駆動型フレームワークを提案する。 非線形シュリンガー方程式をアプリケーションプラットフォームとして利用し、クロージャが利用可能になったときのモーメントダイナミクスを正確に回復する。
  論文  参考訳（メタデータ） (2025-06-05T17:03:42Z)
• Certified Neural Approximations of Nonlinear Dynamics [51.01318247729693]
  安全クリティカルな文脈では、神経近似の使用は、基礎となるシステムとの密接性に公式な境界を必要とする。 本稿では,認証された一階述語モデルに基づく新しい,適応的で並列化可能な検証手法を提案する。
  論文  参考訳（メタデータ） (2025-05-21T13:22:20Z)
• eXponential FAmily Dynamical Systems (XFADS): Large-scale nonlinear Gaussian state-space modeling [9.52474299688276]
  非線形状態空間グラフィカルモデルのための低ランク構造化変分オートエンコーダフレームワークを提案する。 我々のアプローチは、より予測的な生成モデルを学ぶ能力を一貫して示している。
  論文  参考訳（メタデータ） (2024-03-03T02:19:49Z)
• SEGNO: Generalizing Equivariant Graph Neural Networks with Physical Inductive Biases [66.61789780666727]
  等変性を維持しながら, 2階連続性をGNNに組み込む方法を示す。 また、SEGNOに関する理論的知見も提供し、隣接する状態間の一意の軌跡を学習できることを強調している。 我々のモデルは最先端のベースラインよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-08-25T07:15:58Z)
• Dynamic Causal Explanation Based Diffusion-Variational Graph Neural Network for Spatio-temporal Forecasting [60.03169701753824]
  時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。 提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
  論文  参考訳（メタデータ） (2023-05-16T11:38:19Z)
• KalmanNet: Neural Network Aided Kalman Filtering for Partially Known Dynamics [84.18625250574853]
  KalmanNetは、データから学習し、非線形力学の下でKalmanフィルタを実行するリアルタイム状態推定器である。 我々は、KalmanNetが非線形性とモデルミスマッチを克服し、古典的なフィルタリング手法より優れていることを数値的に示す。
  論文  参考訳（メタデータ） (2021-07-21T12:26:46Z)

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。