論文の概要: Data-driven discrete-time deep recurrent neural network-based modeling for dissipative systems

• arxiv url: http://arxiv.org/abs/2609.27186v1
• Date: Wed, 23 Sep 2026 00:48:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.810648
• Title: Data-driven discrete-time deep recurrent neural network-based modeling for dissipative systems
• Title（参考訳）: データ駆動離散時間ディープリカレントニューラルネットワークによる散逸系モデリング
• Abstract要約: 本稿では,ディシパティビティを明示的に強制するディープ離散時間散逸型リカレントニューラルネットワーク(DissipNet)を提案する。 構築により、提案ネットワークは、その固有の安定性を保ちながら、散逸ダイナミクスを学習することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Physical AI has gained increasing attention for its role in developing AI systems that better understand, predict, and control real-world dynamics. Achieving this requires AI models that not only achieve high prediction accuracy but also preserve fundamental physical properties of dynamical systems. In this paper, we propose a deep discrete-time dissipative recurrent neural network (DissipNet) that explicitly enforces dissipativity, a key property related to stability and energy dissipation, through structural weight constraints and a dedicated training algorithm. By construction, the proposed network is capable of learning dissipative dynamics while preserving their inherent stability, which is formally analyzed using Lyapunov theory. In contrast to Physics-Informed Neural Networks (PINNs), which incorporate governing equations into the training loss but do not guarantee preservation of internal analytical properties such as dissipativity or passivity, our approach provides explicit guarantees on stability at the model level. We demonstrate the effectiveness of the proposed method through several modeling applications, and compare its performance with a naive recurrent neural network (RNN) and a PINN-based model.
• Abstract（参考訳）: 物理AIは、現実世界のダイナミクスをよりよく理解し、予測し、制御するAIシステムの開発において、その役割に対して注目を集めている。 この達成には、高い予測精度を達成するだけでなく、力学系の基本的な物理的特性も保持するAIモデルが必要である。 本稿では, 構造的重み制約と専用トレーニングアルゴリズムを用いて, 分散性, 安定性とエネルギー散逸に関連する重要な特性を明示的に強制するディープ離散時間散逸型リカレントニューラルネットワーク(DissipNet)を提案する。 提案するネットワークは,リアプノフ理論を用いて公式解析を行い,その特性を保ちながら散逸ダイナミクスを学習することができる。 トレーニング損失に支配方程式を組み込んだ物理情報ニューラルネットワーク(PINN)とは対照的に,解離性や通過性などの内部解析特性の保存は保証されていないため,モデルレベルでの安定性が保証される。 提案手法の有効性を複数のモデリング応用により実証し,その性能をニューラルネット(RNN)とPINNモデルと比較した。

関連論文リスト

• TIDE: Asymmetric Neural Circuits for Stabilized Temporal Inhibitory-Excitatory Dynamics [51.37317469455798]
  最近のContinuous Thought Machineアーキテクチャは、ニューラルダイナミクスを介して外部入力から内部計算を分離している。 非対称な興奮抑制(E-I)ネットワークを用いたニューラルダイナミクスのモデル化を提案する。 本稿では、神経力学を安定化させて内部表現を計算する、神経に触発されたアーキテクチャであるTIDE(Temporal Inhibitory-Excitatory Dynamic Engine)を紹介する。
  論文  参考訳（メタデータ） (2026-05-19T05:59:13Z)
• 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)
• KITINet: Kinetics Theory Inspired Network Architectures with PDE Simulation Approaches [43.872190335490515]
  本稿では,非平衡粒子動力学のレンズによる特徴伝播を再解釈する新しいアーキテクチャKITINetを紹介する。 そこで本研究では,粒子系の進化をモデルとした残留モジュールを提案する。 この定式化は粒子衝突とエネルギー交換を模倣し、物理インフォームド相互作用による適応的特徴改善を可能にする。
  論文  参考訳（メタデータ） (2025-05-23T13:58:29Z)
• Learning Deep Dissipative Dynamics [5.862431328401459]
  分散性は、安定性と入出力安定性を一般化する力学系にとって重要な指標である。 本稿では,ニューラルネットワークで表現される任意のダイナミクスを散逸型プロジェクションに変換する微分可能プロジェクションを提案する。 本手法は, 訓練された力学系の安定性, 入力出力安定性, エネルギー保存を厳密に保証する。
  論文  参考訳（メタデータ） (2024-08-21T09:44:43Z)
• Stable Weight Updating: A Key to Reliable PDE Solutions Using Deep Learning [0.0]
  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)の安定性と精度の向上を目的とした,新しい残差ベースアーキテクチャを提案する。 このアーキテクチャは、残りの接続を組み込むことで従来のニューラルネットワークを強化し、よりスムーズなウェイト更新を可能にし、バックプロパゲーション効率を向上させる。 特にSquared Residual Networkは、従来のニューラルネットワークと比較して安定性と精度の向上を実現し、堅牢なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-07-10T05:20:43Z)
• 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)
• DAE-PINN: A Physics-Informed Neural Network Model for Simulating Differential-Algebraic Equations with Application to Power Networks [8.66798555194688]
  DAE-PINNは非線形微分代数方程式の解軌跡を学習し、シミュレーションするための最初の効果的なディープラーニングフレームワークである。 我々のフレームワークは、ペナルティベースの手法を用いて、DAEを(近似的に)厳しい制約として満たすためにニューラルネットワークを強制する。 DAE-PINNの有効性と精度を3バス電力ネットワークの解軌跡を学習・シミュレーションすることで示す。
  論文  参考訳（メタデータ） (2021-09-09T14:30:28Z)

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。