論文の概要: Engineering Hybrid Physics-Informed Neural Networks for Next-Generation Electricity Systems: A State-of-the-Art Review
- arxiv url: http://arxiv.org/abs/2605.21903v1
- Date: Thu, 21 May 2026 02:25:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-22 16:35:42.057643
- Title: Engineering Hybrid Physics-Informed Neural Networks for Next-Generation Electricity Systems: A State-of-the-Art Review
- Title（参考訳）: 次世代電力システムのためのハイブリッド物理インフォームニューラルネットワーク:現状を振り返る
- Authors: Joseph Nyangon,
- Abstract要約: 物理インフォームド機械学習(PIML)は、支配方程式を直接学習プロセスに埋め込むことによって制限に対処する。
PIMLは、ブラックボックスのデータ駆動方式から、透明で物理インフォームド戦略へのパラダイムシフトを可能にする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The integration of machine learning with domain-specific physics is transforming the design, monitoring, and control of electricity systems, where data scarcity, limited interpretability, and the need to enforce physical laws constrain purely data-driven models. Physics-informed machine learning (PIML) addresses these limitations by embedding governing equations directly into the learning process, yielding accurate, efficient, and scalable solutions for Industry 4.0 applications. This article reviews hybrid PIML architectures for electricity systems, including physics-informed neural networks (PINNs), Deep Operator Networks (DeepONets), Fourier Neural Operators, Extreme Learning Machine-enhanced PINNs, graph-based PINNs (PIGNNs), and domain-decomposition PINNs. Each approach is examined through case studies spanning field analysis, fault detection, digital twins, surrogate modeling, and control optimization. The review shows that embedding Maxwell's equations and other first-principles constraints substantially improves predictive accuracy under sparse and noisy data, reduces simulation time by orders of magnitude relative to finite element methods, and enhances generalization across operating regimes. Hybrid frameworks consistently outperform purely data-driven baselines on parameter sensitivity, dynamic behavior, and robustness, while supporting real-time digital-twin calibration and uncertainty quantification. Persistent challenges include training instability for stiff multi-scale problems, computational cost of high-fidelity models, and the absence of standardized benchmarks. The findings demonstrate that PIML enables a paradigm shift from black-box data-driven methods to transparent, physics-informed strategies, positioning the field for sustained innovation in resilient and intelligent electricity systems.
- Abstract（参考訳）: 機械学習とドメイン固有の物理学の統合は、データ不足、限定的な解釈可能性、純粋にデータ駆動モデルに制約のある物理法則を強制する必要性といった、電気システムの設計、監視、制御を変革している。
物理インフォームド・機械学習(PIML)は、これらの制限に対処するため、計算方程式を直接学習プロセスに埋め込み、産業用4.0アプリケーションに対して正確で効率的でスケーラブルなソリューションを提供する。
本稿では、物理インフォームドニューラルネットワーク(PINN)、ディープオペレータネットワーク(Deep Operator Networks)、フーリエニューラルオペレータ(Fourier Neural Operators)、エクストリームラーニング機械学習強化PINN(Extreme Learning Machine Enhanced PINN)、グラフベースPINN(PIGNN)、ドメイン分解PINN(Domain-Decomposition PINNs)など、電気システムのハイブリッドPIMLアーキテクチャについてレビューする。
各手法は、フィールド解析、故障検出、デジタルツイン、代理モデリング、制御最適化にまたがるケーススタディを通して検討される。
レビューでは、マクスウェル方程式やその他の第一原理の制約を埋め込むことで、スパースおよびノイズデータ下での予測精度が大幅に向上し、有限要素法と比較して桁違いにシミュレーション時間を短縮し、演算系全体の一般化を促進することが示されている。
ハイブリッドフレームワークは、パラメータの感度、動的振る舞い、ロバスト性において、純粋にデータ駆動のベースラインを上回っながら、リアルタイムデジタルツインキャリブレーションと不確実性定量化をサポートしている。
永続的な課題としては、厳密なマルチスケール問題に対するトレーニング不安定性、高忠実度モデルの計算コスト、標準化されたベンチマークの欠如などがある。
その結果、PIMLは、ブラックボックスのデータ駆動方式から、透明で物理学的なインフォームド戦略へのパラダイムシフトを可能にし、レジリエントでインテリジェントな電気システムにおける持続的なイノベーションの場を位置づけている。
関連論文リスト
- Improving Long-Range Interactions in Graph Neural Simulators via Hamiltonian Dynamics [71.53370807809296]
最近のグラフニューラルシミュレータ(GNS)は、グラフ構造化データ上での動的学習によりシミュレーションを加速する。
ハミルトン力学の原理に基づいて構築されたグラフベースニューラルネットワークであるIGNS(Information-serving Graph Neural Simulator)を提案する。
IGNSは最先端のGNSを一貫して上回り、挑戦的で複雑な力学系の下で高い精度と安定性を達成する。
論文 参考訳（メタデータ） (2025-11-11T12:53:56Z) - From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。
メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
論文 参考訳（メタデータ） (2025-09-25T14:15:43Z) - Limitations of Physics-Informed Neural Networks: a Study on Smart Grid Surrogation [29.49941497527361]
PINNは、物理法則を直接学習フレームワークに組み込むことによって、スマートグリッドモデリングの変革的なアプローチを示す。
本稿では、PINNの機能をスマートグリッドダイナミクスの代理モデルとして評価する。
PINNの優れた一般化と誤り低減におけるデータ駆動モデルの性能を実証する。
論文 参考訳（メタデータ） (2025-08-29T12:15:32Z) - Improving physics-informed neural network extrapolation via transfer learning and adaptive activation functions [44.44497277876625]
物理情報ニューラルネットワーク(英: Physics-Informed Neural Networks、PINN)は、システムの物理法則を学習プロセスに組み込んだディープラーニングモデルである。
本稿では,PINNの補間性能を向上させるために,転送学習(TL)手法を提案する。
提案手法は, 平均L2誤差を平均40%, 平均絶対誤差を平均50%削減する。
論文 参考訳（メタデータ） (2025-07-16T22:19:53Z) - Physics Informed Constrained Learning of Dynamics from Static Data [8.346864633675414]
物理インフォームドニューラルネットワーク(PINN)は、制御物理法則をニューラルネットワークのアーキテクチャに統合することにより、システムのダイナミクスをモデル化する。
既存のPINNフレームワークは、完全に観測された時間軸データに依存しており、多くのシステムでは取得が禁止される可能性がある。
本研究では,非時間コースや部分的に観測されたデータを用いて一階微分や動きを近似できる新しいPINN学習パラダイムであるConstrained Learningを開発した。
論文 参考訳（メタデータ） (2025-04-17T06:06:53Z) - Physics-Informed Neural Networks for Electrical Circuit Analysis: Applications in Dielectric Material Modeling [0.0]
物理情報ニューラルネットワーク(PINN)は、物理法則を直接学習プロセスに組み込むことによって、有望なアプローチを提供する。
本稿では、PINNの実装に特化して設計されたDeepXDEフレームワークの機能と制限について説明する。
電流(ln(I))に対数変換を適用することにより,PINN予測の安定性と精度が著しく向上することを示す。
論文 参考訳（メタデータ） (2024-11-13T19:08:36Z) - DeltaPhi: Physical States Residual Learning for Neural Operators in Data-Limited PDE Solving [54.605760146540234]
DeltaPhiは、PDE解決タスクを、直接入力出力マッピングの学習から、類似の物理的状態間の残差学習に変換する、新しい学習フレームワークである。
大規模な実験は、様々な物理的システムにまたがって一貫した、重要な改善を示す。
論文 参考訳（メタデータ） (2024-06-14T07:45:07Z) - Knowledge-Based Convolutional Neural Network for the Simulation and Prediction of Two-Phase Darcy Flows [3.5707423185282656]
物理インフォームドニューラルネットワーク(PINN)は、科学計算とシミュレーションの分野で強力なツールとして注目されている。
本稿では、ニューラルネットワークのパワーと、離散化微分方程式によって課される力学を組み合わせることを提案する。
支配方程式を識別することにより、PINNは不連続性を考慮し、入力と出力の間の基礎となる関係を正確に捉えることを学ぶ。
論文 参考訳（メタデータ） (2024-04-04T06:56:32Z) - Grid Monitoring with Synchro-Waveform and AI Foundation Model Technologies [41.994460245857404]
本稿では,インバータ資源が支配する将来のグリッドを対象とした次世代グリッド監視制御システムの開発を提唱する。
我々は,高分解能シンクロ波形計測技術を用いた物理ベースのAI基盤モデルを構築し,グリッドのレジリエンスを高め,機能停止による経済的損失を低減する。
論文 参考訳（メタデータ） (2024-03-11T17:28:46Z) - 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)
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。