論文の概要: Physics-Informed Neural Learning for State Reconstruction and Parameter Identification in Coupled Greenhouse Climate Dynamics

• arxiv url: http://arxiv.org/abs/2605.02524v1
• Date: Mon, 04 May 2026 12:26:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.280043
• Title: Physics-Informed Neural Learning for State Reconstruction and Parameter Identification in Coupled Greenhouse Climate Dynamics
• Title（参考訳）: 物理インフォームド・ニューラルラーニングによる温室効果ガスの状態再構成とパラメータ同定
• Authors: Sani Biswas, Khursheed J. Ansari, Md. Nasim Akhtar,
• Abstract要約: 物理インフォームドニューラルネットワーク(PINN)は最近、データ駆動学習と物理知識を統合するための有望なフレームワークとして登場した。 本研究では,温室環境における室内温度と湿度の動的変化を共同で再現するためのPINN手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physics-informed neural networks (PINNs) have recently emerged as a promising framework for integrating data-driven learning with physical knowledge. In this work, we propose a coupled PINN approach for the joint reconstruction of indoor temperature and humidity dynamics in greenhouse environments, together with simultaneous identification of key model parameters. The method incorporates a reduced-order physically motivated model into the learning process, enabling consistent estimation under sparse and noisy observations. The artificial intelligence contribution lies in the development of a coupled physics-informed neural learning framework that integrates governing dynamical constraints into neural network training, while the engineering application focuses on greenhouse climate state reconstruction and parameter identification. The proposed framework is evaluated on a controlled synthetic benchmark that mimics diurnal forcing conditions. Compared with a purely data-driven neural network baseline, the coupled PINN achieves improved reconstruction accuracy, reducing temperature and humidity errors while maintaining high coefficients of determination. The improvement is particularly pronounced in the humidity channel, where latent moisture dynamics are more difficult to infer from limited measurements. In addition to accurate state reconstruction, the method successfully recovers the dominant physical parameters governing the system dynamics, demonstrating its ability to learn interpretable representations beyond data interpolation. These results highlight the potential of physics-informed learning for greenhouse climate modeling and, more broadly, for data-scarce environmental systems.
• Abstract（参考訳）: 物理インフォームドニューラルネットワーク(PINN)は最近、データ駆動学習と物理知識を統合するための有望なフレームワークとして登場した。 本研究では,温室環境における室内温度と湿度動態の同時再構成のためのPINN手法と,鍵モデルパラメータの同時同定を提案する。 この方法は、低次の物理的動機付けされたモデルを学習プロセスに組み込み、スパース観測およびノイズ観測の下で一貫した推定を可能にする。 人工知能のコントリビューションは、動的制約をニューラルネットワークトレーニングに統合する物理インフォームドニューラルネットワークフレームワークの開発に関係しており、エンジニアリングアプリケーションは温暖化環境の再構築とパラメータ識別に重点を置いている。 提案手法は昼行強制条件を模倣した制御された合成ベンチマークを用いて評価する。 純粋にデータ駆動のニューラルネットワークベースラインと比較して、結合されたPINNは、高い判定係数を維持しながら、再構築精度の向上、温度と湿度の誤差の低減を実現している。 この改善は、潜水力学が限られた測定値から推測することがより困難である湿度チャネルにおいて特に顕著である。 正確な状態再構成に加えて、この手法は、データ補間以外の解釈可能な表現を学習できることを実証し、システムダイナミクスを管理する支配的な物理パラメータを回復することに成功した。 これらの結果は、温暖化環境モデリングにおける物理インフォームドラーニングの可能性と、より広範に、データスカース環境システムに対する可能性を強調している。

関連論文リスト

• Hybrid Model Predictive Control with Physics-Informed Neural Network for Satellite Attitude Control [2.7222301668137483]
  信頼性の高い宇宙船の姿勢制御は、姿勢力学の正確な予測に依存する。 複雑な力学を持つ宇宙船では、正確な物理モデルを得るのは難しい、時間を要する、あるいは計算的に重い。 本研究では、宇宙船の姿勢力学をモデル化するための物理情報ニューラルネットワーク(PINN)について検討する。
  論文  参考訳（メタデータ） (2026-02-17T19:08:48Z)
• PhysE-Inv: A Physics-Encoded Inverse Modeling approach for Arctic Snow Depth Prediction [0.16206783799607727]
  本稿では,高度なシーケンシャルアーキテクチャ,マルチヘッドアテンションと物理誘導型コントラスト学習を備えたLSTMデコーダ,物理誘導型推論を統合した新しいフレームワークであるPhysE-Invを紹介する。 PhysE-Invは予測性能を大幅に改善し、エラーを20%削減すると同時に、経験的手法と比較して、データの分散性に優れた物理的一貫性とレジリエンスを示す。 このアプローチは、地空間および低温領域で広く適用可能な、耐雑音性、解釈可能な逆モデリングのための経路を開拓する。
  論文  参考訳（メタデータ） (2026-01-23T00:43:51Z)
• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• Allostatic Control of Persistent States in Spiking Neural Networks for perception and computation [79.16635054977068]
  本稿では,アロスタシスの概念を内部表現の制御に拡張することにより,環境に対する知覚的信念を更新するための新しいモデルを提案する。 本稿では,アトラクタネットワークにおける活動の急増を空間的数値表現として利用する数値認識の応用に焦点を当てる。
  論文  参考訳（メタデータ） (2025-03-20T12:28:08Z)
• 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)
• Towards Physically Consistent Deep Learning For Climate Model Parameterizations [46.07009109585047]
  パラメータ化は、気候予測において、系統的なエラーと大きな不確実性の主な原因である。 深層学習(DL)に基づくパラメータ化は、計算に高価で高解像度のショートシミュレーションのデータに基づいて訓練されており、気候モデルを改善するための大きな可能性を示している。 本稿では,DLに基づくパラメータ化のための効率的な教師付き学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-06T10:02:49Z)
• Learning Spatiotemporal Dynamical Systems from Point Process Observations [7.381752536547389]
  現在のニューラルネットワークベースのモデルアプローチは、時間と空間でランダムに収集されるデータに直面したときに不足する。 そこで我々は,このようなプロセス観察から効果的に学習できる新しい手法を開発した。 我々のモデルは、ニューラルディファレンシャル方程式、ニューラルポイントプロセス、暗黙のニューラル表現、そしてアモータライズされた変分推論の技法を統合している。
  論文  参考訳（メタデータ） (2024-06-01T09:03:32Z)
• ConCerNet: A Contrastive Learning Based Framework for Automated Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
  本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。 本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2023-02-11T21:07:30Z)

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。