論文の概要: Learning Reduced-Order Dynamics with Singularity via Latent-Augmented Neural Ordinary Differential Equations
- arxiv url: http://arxiv.org/abs/2608.22142v1
- Date: Sat, 22 Aug 2026 23:57:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 18:24:36.94965
- Title: Learning Reduced-Order Dynamics with Singularity via Latent-Augmented Neural Ordinary Differential Equations
- Title（参考訳）: 潜時拡張ニューラル正規微分方程式による特異性を考慮した低次ダイナミクスの学習
- Abstract要約: 本稿では,LA-NODE(Latent-Augmented Neural Ordinary Differential Equations)フレームワークを提案する。
人工知能の観点から、提案手法は従来のニューラル常微分方程式を拡張し、モデル表現性を高める。
提案手法の有効性を,2つの代表的な産業モデルの低次システム上で検証した。
- 参考スコア（独自算出の注目度）: 14.547521900039781
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper addresses the issue of self-intersecting trajectories (in phase space) in industrial reduced-order modeling and proposes the Latent-Augmented Neural Ordinary Differential Equations (LA-NODEs) framework. From the perspective of artificial intelligence, the proposed method augments conventional neural ordinary differential equations to enhance model expressiveness, enabling the representation of conflicting vector fields that may arise in reduced-order systems, thereby improving learning accuracy. Through theoretical analysis, the underlying mechanism of the framework is established, and a condition for determining the minimum required augmentation dimension is derived. From the perspective of engineering applications, the effectiveness of the proposed method is validated on the reduced-order system of two representative industrial models, namely an interior permanent magnet synchronous motor (IPMSM) drive and a distributed energy system (DES). Experimental results demonstrate that the proposed method can recover system features that are difficult to capture using conventional approaches and achieve superior performance in terms of prediction accuracy and modeling fidelity, thereby providing an effective approach for high-precision data-driven modeling of complex industrial systems.
- Abstract（参考訳）: 本稿では,産業用低次モデリングにおける自己交差軌道(位相空間)の問題に対処し,LA-NODE(Latent-Augmented Neural Ordinary Differential Equations)フレームワークを提案する。
人工知能の観点から、提案手法は従来のニューラル常微分方程式を拡張してモデル表現性を高め、低次システムで発生する可能性のある矛盾するベクトル場の表現を可能にし、学習精度を向上させる。
理論的解析により,フレームワークの基礎となる機構が確立され,最小要求拡大次元を決定する条件が導出される。
工学的応用の観点から,本手法の有効性を,内装永久磁石同期電動機 (IPMSM) と分散エネルギーシステム (DES) の2つの代表的な産業モデルの低次システム上で検証した。
実験結果から,提案手法は従来の手法では捉え難いシステム特性を復元し,予測精度およびモデル忠実度の観点から優れた性能を実現し,複雑な産業システムの高精度なデータ駆動モデリングに有効な手法を提供することができた。
関連論文リスト
- Neural Ordinary Differential Equations for Modeling Socio-Economic Dynamics [0.0]
この章では、インドのオディシャ州の貧困動態を分析するために、ニューラル・オーディナリー微分方程式(Neural Ordinary Differential Equations)フレームワークを適用している。
我々は、2007年から2020年までの時系列データを、経済発展と貧困削減の重要な指標として活用する。
以上の結果から,ニューラルODEなどのML手法は,社会経済遷移をモデル化するための効果的なツールとして有効であることが示唆された。
論文 参考訳（メタデータ） (2026-04-01T08:36:24Z) - Expanding the Chaos: Neural Operator for Stochastic (Partial) Differential Equations [65.80144621950981]
我々はWienerカオス拡張(WCE)に基づいて、SPDEとSDEのためのニューラル演算子(NO)アーキテクチャを設計する。
WCEベースのニューラル演算子は、SDE/SPDEソリューション演算子を学習するための実用的でスケーラブルな方法を提供する。
論文 参考訳（メタデータ） (2026-01-03T00:59:25Z) - Fractional-order Modeling for Nonlinear Soft Actuators via Particle Swarm Optimization [49.34452620841728]
本稿では, ソフト材料の動的挙動を捉えるために, 分数次微分方程式(FODE)に基づく革新的なモデリング手法を提案する。
提案手法は,ソフトアクチュエータに固有の複雑な変形現象を効果的に表現する。
論文 参考訳（メタデータ） (2025-12-20T04:46:25Z) - A joint optimization approach to identifying sparse dynamics using least squares kernel collocation [70.13783231186183]
本研究では,通常の微分方程式(ODE)の学習システムを,状態の不足,部分的,ノイズの多い観測から学習するためのオール・アット・オンス・モデリング・フレームワークを開発する。
提案手法は,関数ライブラリ上でのODEのスパースリカバリ戦略とカーネルヒルベルト空間(RKHS)理論による状態推定とODEの離散化の手法を組み合わせたものである。
論文 参考訳（メタデータ） (2025-11-23T18:04:15Z) - Nonlinear Model Order Reduction of Dynamical Systems in Process Engineering: Review and Comparison [50.0791489606211]
我々は、最先端の非線形モデルオーダー削減手法についてレビューする。
本稿では,(化学)プロセスシステムのための汎用的手法と適合したアプローチについて論じる。
論文 参考訳（メタデータ） (2025-06-15T11:39:12Z) - 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) - No Equations Needed: Learning System Dynamics Without Relying on Closed-Form ODEs [56.78271181959529]
本稿では,従来の2段階モデリングプロセスから離れることで,低次元力学系をモデル化する概念シフトを提案する。
最初に閉形式方程式を発見して解析する代わりに、我々のアプローチ、直接意味モデリングは力学系の意味表現を予測する。
私たちのアプローチは、モデリングパイプラインを単純化するだけでなく、結果のモデルの透明性と柔軟性も向上します。
論文 参考訳（メタデータ） (2025-01-30T18:36:48Z) - Projected Neural Differential Equations for Learning Constrained Dynamics [3.570367665112327]
本稿では,学習ベクトル場の射影を制約多様体の接空間に向けることで,ニューラル微分方程式を制約する新しい手法を提案する。
PNDEは、ハイパーパラメータを少なくしながら、既存のメソッドよりも優れています。
提案手法は、制約付き力学系のモデリングを強化する重要な可能性を示す。
論文 参考訳（メタデータ） (2024-10-31T06:32:43Z) - Bridging Autoencoders and Dynamic Mode Decomposition for Reduced-order Modeling and Control of PDEs [12.204795159651589]
本稿では,Ptemporals が支配する動的システムの低次モデリングと制御のための深層自己コーディング学習手法について検討する。
まず,線形オートエン縮退モデルの学習目標を定式化し,制御アルゴリズムを用いて動的モード分解により得られる結果によく似た解が得られることを示す。
次に、この線形自動符号化アーキテクチャをディープ・オートコーディング・フレームワークに拡張し、非線形低次モデルの開発を可能にする。
論文 参考訳（メタデータ） (2024-09-09T22:56:40Z) - CGNSDE: Conditional Gaussian Neural Stochastic Differential Equation for Modeling Complex Systems and Data Assimilation [1.4322470793889193]
条件付きニューラル微分方程式(CGNSDE)と呼ばれる新しい知識ベースおよび機械学習ハイブリッドモデリング手法を開発した。
標準的なニューラルネットワーク予測モデルとは対照的に、CGNSDEは前方予測タスクと逆状態推定問題の両方に効果的に取り組むように設計されている。
論文 参考訳（メタデータ） (2024-04-10T05:32:03Z) - Improving Surrogate Model Robustness to Perturbations for Dynamical Systems Through Machine Learning and Data Assimilation [0.0789257770465417]
本稿では,機械学習とデータ同化技術を組み合わせてサロゲートモデルを改善する新しいフレームワークを提案する。
本研究では,入力摂動下でのサロゲートモデルの精度を大幅に向上することを示す。
論文 参考訳（メタデータ） (2023-07-19T05:45:05Z) - AttNS: Attention-Inspired Numerical Solving For Limited Data Scenarios [51.94807626839365]
限定データによる微分方程式の解法として,注目型数値解法(AttNS)を提案する。
AttNSは、モデル一般化とロバスト性の向上におけるResidual Neural Networks(ResNet)のアテンションモジュールの効果にインスパイアされている。
論文 参考訳（メタデータ） (2023-02-05T01:39:21Z)
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。