論文の概要: PE-MHL: Physics-Encoded Modular Hybrid Layers for Scalable Learning of Complex Systems

• arxiv url: http://arxiv.org/abs/2606.04290v1
• Date: Tue, 02 Jun 2026 23:39:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.428556
• Title: PE-MHL: Physics-Encoded Modular Hybrid Layers for Scalable Learning of Complex Systems
• Title（参考訳）: PE-MHL:複雑なシステムのスケーラブル学習のための物理符号化モジュールハイブリッド層
• Authors: Ismail Hassaballa, Mircea Lazar,
• Abstract要約: 物理ベースとデータ駆動コンポーネントを組み合わせたハイブリッドモデルは、制御アプリケーションにおいて精度と解釈可能性を達成する強力な可能性を示している。 本稿では,新しいサブモデルの追加により,基礎となる物理モデルが漸進的に洗練される物理符号化モジュールハイブリッド層(PE-MHL)フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 1.0312968200748118
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hybrid models that combine physics-based and data-driven components have shown strong potential for achieving accuracy and interpretability in control applications. While recent methods have made progress in incorporating physical consistency, challenges remain in scalability, robustness to noise, and control of model complexity. This paper proposes a Physics-Encoded Modular Hybrid Layer (PE-MHL) framework, in which a baseline physics-based model is incrementally refined through the addition of new sub-models, where each new component adds complexity while preserving what previous components have already learned. We establish a theoretical guarantee for this construction: with a least-squares initialization of each new sub-model, the training error is monotonically non-increasing in the number of sub-models and provably converges. Empirical evaluations on a nonlinear NARX benchmark and the Quanser Aero 2 platform demonstrate that PE-MHL outperforms equivalently sized monolithic networks in both accuracy and generalization, while also providing more stable training dynamics and better preservation of underlying data structures.
• Abstract（参考訳）: 物理ベースとデータ駆動コンポーネントを組み合わせたハイブリッドモデルは、制御アプリケーションにおいて精度と解釈可能性を達成する強力な可能性を示している。 最近の手法では、物理的整合性の導入が進んでいるが、スケーラビリティ、ノイズに対する堅牢性、モデルの複雑さの制御には課題が残っている。 本稿では,物理エンコードされたモジュールハイブリッド層(PE-MHL)フレームワークを提案する。このフレームワークでは,新しいサブモデルの追加により,基礎となる物理モデルが漸進的に洗練され,各コンポーネントが,それまでのコンポーネントが学んだことを保存しながら複雑さを増す。 各新しいサブモデルの最小二乗初期化により、トレーニング誤差は単調に非増加し、確実に収束する。 非線形NARXベンチマークとQuanser Aero 2プラットフォームによる実証評価では、PE-MHLは精度と一般化の両方において同等の大きさのモノリシックネットワークよりも優れており、より安定したトレーニングダイナミクスと基盤となるデータ構造の保存性も向上している。

関連論文リスト

• Position: Weight Space Should Be a First-Class Generative AI Modality [67.10702320971893]
  本稿では、モデルチェックポイントを第一級データモダリティとして扱うべきであると論じる。 重み空間における生成的モデリングは、コア機械学習プリミティブとして標準化されるべきである、と論じている。 私たちのゴールは、コミュニティの既定の考え方を、タスクごとのモデルの最適化から、学習した重量分布からモデルのサンプリングにシフトさせることです。
  論文  参考訳（メタデータ） (2026-05-18T16:38:26Z)
• Towards Rapid Constitutive Model Discovery from Multi-Modal Data: Physics Augmented Finite Element Model Updating (paFEMU) [0.3199881502576702]
  本稿では,AIを用いたモデリング,解釈可能なモデル発見のためのスペーサー化,有限要素ベース拡張を組み合わせた移動学習手法として,物理拡張有限要素モデル更新(paFEMU)を導入する。 これは、デジタル画像相関型フルフィールドデータ取得と、おそらく別の材料から得られる単純な機械的テストデータを組み合わせることで達成される。
  論文  参考訳（メタデータ） (2026-04-09T03:08:07Z)
• A Theoretical Framework for Modular Learning of Robust Generative Models [41.69461814486466]
  大規模生成モデルのトレーニングはリソース集約的であり、データセットの重み付けに大きく依存している。 本稿では,事前学習した専門家の集合をゲーティング機構を介して組み合わせたモジュラー生成モデリングの理論的枠組みを提案する。 モジュラーアーキテクチャは、競合を効果的に軽減し、モノリシックなベースラインを堅牢に上回ることを示す。
  論文  参考訳（メタデータ） (2026-02-19T17:09:13Z)
• Unlocking Out-of-Distribution Generalization in Dynamics through Physics-Guided Augmentation [46.40087254928057]
  物理誘導量拡張プラグインのSPARKについて述べる。 多様なベンチマーク実験により、SPARKは最先端のベースラインを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2025-10-28T09:30:35Z)
• High-Fidelity Scientific Simulation Surrogates via Adaptive Implicit Neural Representations [51.90920900332569]
  入射神経表現(INR)は空間的に構造化されたデータをモデリングするためのコンパクトで連続的なフレームワークを提供する。 近年のアプローチでは、剛性幾何学的構造に沿った付加的な特徴を導入することでこの問題に対処している。 機能適応型INR(FA-INR)を提案する。
  論文  参考訳（メタデータ） (2025-06-07T16:45:17Z)
• Physics-Informed Machine Learning for Seismic Response Prediction OF Nonlinear Steel Moment Resisting Frame Structures [6.483318568088176]
  PiML法は、非線形構造の地震応答をモデル化するために、科学的原理と物理法則をディープニューラルネットワークに統合する。 運動方程式を操作することは、システムの非線形性を学習し、物理的に解釈可能な結果の中で解を閉じ込めるのに役立つ。 結果、既存の物理誘導LSTMモデルよりも複雑なデータを処理し、他の非物理データ駆動ネットワークより優れている。
  論文  参考訳（メタデータ） (2024-02-28T02:16:03Z)
• KNODE-MPC: A Knowledge-based Data-driven Predictive Control Framework for Aerial Robots [5.897728689802829]
  我々は、知識に基づくニューラル常微分方程式(KNODE)というディープラーニングツールを用いて、第一原理から得られたモデルを拡張する。 得られたハイブリッドモデルは、名目上の第一原理モデルと、シミュレーションまたは実世界の実験データから学習したニューラルネットワークの両方を含む。 閉ループ性能を改善するため、ハイブリッドモデルはKNODE-MPCとして知られる新しいMPCフレームワークに統合される。
  論文  参考訳（メタデータ） (2021-09-10T12:09:18Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)

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。