論文の概要: Physics-Guided Recurrent State-Space Neural Networks for Multi-Step Prediction

• arxiv url: http://arxiv.org/abs/2606.02278v1
• Date: Mon, 01 Jun 2026 14:03:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:32.189916
• Title: Physics-Guided Recurrent State-Space Neural Networks for Multi-Step Prediction
• Title（参考訳）: 物理誘導型連続状態空間ニューラルネットワークによるマルチステップ予測
• Authors: Ruiyuan Li, Ajay Seth, Manon Kok,
• Abstract要約: 状態空間モデルは、伝統的に物理知識に基づいているが、これらの物理モデルからの多段階予測は、モデル不正確性のために貧弱である。 多段階予測における非飽和活性化関数の利用を可能にするために、リカレント構造を組み込んだ物理誘導型リカレント状態空間ニューラルネットワークを提案する。
• 参考スコア（独自算出の注目度）: 4.784142308613741
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: State-space models are traditionally based on physical knowledge, but multi-step predictions from these physical models can be poor due to model inaccuracy. Black-box deep learning has shown promise as an alternative. However, these methods rely on the availability of large datasets and potentially available physical knowledge is neglected. We propose the PG-RSSNN, a physics-guided recurrent state-space neural network that incorporates recurrent structures to enable the use of non-saturating activation functions in multi-step prediction. It mitigates the vanishing gradients and eliminates the risk of numerical divergence in training seen in existing structures that feed back state estimates. Results across multiple systems with various physical model imperfections, from linear state-space models with Gaussian noise to a robotic arm and a cascaded water tank system, show that the proposed PG-RSSNN maintains stable training behavior, and improves multi-step predictions, as compared with black-box neural networks and physics-only models, even with limited training data and when physical models are only partially known.
• Abstract（参考訳）: 状態空間モデルは、伝統的に物理知識に基づいているが、これらの物理モデルからの多段階予測は、モデル不正確性のために貧弱である。 ブラックボックスのディープラーニングは、代替手段としての可能性を示している。 しかし、これらの手法は大きなデータセットの可用性に依存しており、潜在的に利用可能な物理的知識は無視される。 多段階予測における非飽和アクティベーション関数の利用を可能にするために、リカレント構造を組み込んだ物理誘導型リカレント状態空間ニューラルネットワークPG-RSSNNを提案する。 消滅する勾配を緩和し、状態推定をフィードバックする既存の構造で見られる訓練において、数値的なばらつきのリスクを取り除く。 ガウスノイズのある線形状態空間モデルからロボットアームとカスケード水槽システムまで,様々な物理モデル不完全性を持つ複数のシステムにおいて,提案したPG-RSSNNが安定したトレーニング行動を維持し,ブラックボックスニューラルネットワークや物理のみのモデルと比較して,物理モデルが部分的にしか知られていない場合においても,多段階予測を改善することを示す。

関連論文リスト

• PINP: Physics-Informed Neural Predictor with latent estimation of fluid flows [11.102585080028945]
  そこで本研究では,物理量の結合を予測プロセスに組み込む物理インフォームドラーニング手法を提案する。 物理方程式を組み込むことで,時間外挿と空間一般化能力を示す。
  論文  参考訳（メタデータ） (2025-04-08T14:11:01Z)
• Enhanced Spatiotemporal Prediction Using Physical-guided And Frequency-enhanced Recurrent Neural Networks [17.91230192726962]
  本稿では,時空間力学を推定する物理誘導型ニューラルネットワークを提案する。 また、物理状態をより正確にモデル化するための物理制約付き適応二階ルンゲ・クッタ法を提案する。 我々のモデルは最先端の手法より優れ、より少ないパラメータ数でデータセットで最高の性能を発揮する。
  論文  参考訳（メタデータ） (2024-05-23T12:39:49Z)
• Development of an offline and online hybrid model for the Integrated Forecasting System [0.2556723501703686]
  ニューラルネットワークを用いた中レージ気象予報センターのモデル誤差補正手法を開発した。 ネットワークは、運用分析と分析インクリメントの大規模なデータセットを使用して、オフラインで事前トレーニングされている。 その後、データ同化や予測実験に使用されるように、オブジェクト指向予測システム(OOPS)内のIFSに統合される。
  論文  参考訳（メタデータ） (2024-03-06T13:36:31Z)
• Physics-Informed Neural Networks with Hard Linear Equality Constraints [9.101849365688905]
  本研究は,線形等式制約を厳格に保証する物理インフォームドニューラルネットワークKKT-hPINNを提案する。 溶融タンク炉ユニット, 抽出蒸留サブシステム, 化学プラントのアスペンモデル実験により, このモデルが予測精度をさらに高めることを示した。
  論文  参考訳（メタデータ） (2024-02-11T17:40:26Z)
• Learning Neural Constitutive Laws From Motion Observations for Generalizable PDE Dynamics [97.38308257547186]
  多くのNNアプローチは、支配的PDEと物質モデルの両方を暗黙的にモデル化するエンドツーエンドモデルを学ぶ。 PDEの管理はよく知られており、学習よりも明示的に実施されるべきである、と私たちは主張する。 そこで我々は,ネットワークアーキテクチャを利用したニューラル構成則(Neural Constitutive Laws,NCLaw)と呼ばれる新しいフレームワークを導入する。
  論文  参考訳（メタデータ） (2023-04-27T17:42:24Z)
• Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
  軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。 ニューラル微分方程式モデルに基づく新しい手法を提案する。 我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
  論文  参考訳（メタデータ） (2022-07-21T12:11:18Z)
• EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
  本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。 メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
  論文  参考訳（メタデータ） (2022-02-21T18:59:03Z)
• Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
  本稿では,機械学習のフレームワークとモデルの実装について紹介する。 グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。 我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
  論文  参考訳（メタデータ） (2020-02-21T16:44:28Z)

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。