Fugu-MT 論文翻訳(概要): Physics-Informed but Not Physics-Consistent: Error Geometry and Subspace Projection for Neural AC Power Flow

論文の概要: Physics-Informed but Not Physics-Consistent: Error Geometry and Subspace Projection for Neural AC Power Flow

arxiv url: http://arxiv.org/abs/2610.05959v1
Date: Mon, 05 Oct 2026 08:12:22 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-10 02:51:19.433173
Title: Physics-Informed but Not Physics-Consistent: Error Geometry and Subspace Projection for Neural AC Power Flow
Title（参考訳）: 物理インフォームドだが物理とは無関係:ニューラル交流流の誤差幾何学と部分空間射影
Abstract要約: 新たな基礎モデルを含む最近のニューラル・パワー・フロー・ソルバは、正確な電圧予測を実現する。しかし、そのような精度は必ずしも物理的に一貫した解を暗示するとは限らない。本稿では,PIGNN-GC,GridSFM,Gridfm-graphkit,LUMINA間の精度・一貫性ギャップについて検討する。
参考スコア（独自算出の注目度）: 7.672324146121681
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Recent neural power-flow solvers, including emerging foundation models, achieve accurate voltage predictions, yet such accuracy does not necessarily imply physically consistent solutions. Even small complex voltage errors can yield large AC power-balance residuals. We study this accuracy-consistency gap across PIGNN-GC, GridSFM, gridfm-graphkit, and LUMINA on realistic 2224-bus Great Britain network (GBnetwork) scenarios, with cross-grid evaluation of GridSFM over 31 systems. Using a singular value decomposition (SVD) basis fitted to training AC power-flow solutions, we find that neural prediction errors contain substantial components outside the dominant solution subspace. To address this mismatch, calibrated solution-subspace projection (CSP) suppresses off-subspace prediction components after train-only bias calibration, reducing Mean PB by 67.0%, 37.8%, 40.5%, and 68.9% for PIGNN-GC, GridSFM, gridfm-graphkit, and LUMINA, respectively, relative to calibrated predictions, while improving voltage-magnitude accuracy in all four models. These results identify output-error geometry as an important factor in physics-consistent neural AC power flow. Code: https://github.com/Kimchangheon/neural-acpf-error-geometry
Abstract（参考訳）: 新たな基礎モデルを含む最近のニューラル・パワー・フロー・ソルバは正確な電圧予測を達成しているが、そのような精度は必ずしも物理的に一貫した解決策を示唆するものではない。小さな複雑な電圧誤差でさえ、大きな交流パワーバランス残差をもたらす。我々は,PIGNN-GC,GridSFM,Gridfm-graphkit,LUMINAの224バスグレートブリテンネットワーク(GBnetwork)の現実的シナリオについて,GridSFMを31以上のシステムでクロスグリッドで評価した。定値分解(SVD)ベースを用いて, ニューラルネットワークの予測誤差は, 支配的解空間外の成分を含むことがわかった。このミスマッチに対処するため、キャリブレーションされたソリューション・サブスペース・プロジェクション(CSP)は、列車のみのバイアス・キャリブレーション後に、平均PBを67.0%、37.8%、40.5%、68.9%のPIGNN-GC、GridSFM、Gridfm-graphkit、LUMINAで削減し、キャリブレーションされた予測に対して、電圧・マグニチュード精度を改善しながら、オフ・サブスペース予測コンポーネントを抑える。これらの結果から, 出力誤差幾何は, 物理共存型ニューラル交流電力流の重要な要素であることがわかった。コード:https://github.com/Kimchangheon/neural-acpf-error-geometry

関連論文リスト

Parameter-Efficient Domain Adaptation of Physics-Informed Self-Attention based GNNs for AC Power Flow Prediction [7.672324146121681]
物理制約付き逆推定のための電圧-レジムシフト下での制御可能な効率-精度トレードオフについて検討する。複数のグリッドトポロジにまたがって提案されたLoRA+PHead適応は、ターゲットドメインのRMSEギャップを2.6times10-4$とすることで、ほぼ完全な微調整精度を回復し、トレーニング可能なパラメータの数を85.46%削減した。
論文参考訳（メタデータ） (2026-02-20T14:07:51Z)
Generating adversarial inputs for a graph neural network model of AC power flow [0.0]
この研究は、ニューラルネットワークの予測された交流電力フロー解と交流電力フロー方程式の解との間に高い誤差をもたらす入力点を生成するために最適化問題を定式化し、解決する。 14バステストグリッドで動作するCANOS-PFグラフニューラルネットワークモデルのインスタンス上で,この機能を実演する。
論文参考訳（メタデータ） (2026-02-20T04:09:13Z)
Physics-informed GNN for medium-high voltage AC power flow with edge-aware attention and line search correction operator [7.927606793404479]
物理インフォームドグラフニューラルネットワーク(PIGNN)は高速な交流電力フロー解法として登場した。 PIGNN-Attn-LSは電圧0.00033 p.uのRMSE、角度0.08$circ$のRMSEを達成し、それぞれPIGNN-MLPベースラインの99.5%と87.1%を上回っている。
論文参考訳（メタデータ） (2025-09-26T15:09:26Z)
HARDCORE: H-field and power loss estimation for arbitrary waveforms with residual, dilated convolutional neural networks in ferrite cores [1.3437002403398262]
MagNet Challenge 2023は、トロイダルフェライトコアにおける定常的な電力損失の物質特異的で波形に依存しない推定のためのデータ駆動モデルの開発を競合他社に呼びかけている。 HardCOREアプローチは、物理インフォームド拡張を持つ残差畳み込みニューラルネットワークが、事前に観測データに基づいてトレーニングされた場合、このタスクを効率的に行うことができることを示している。モデルは各素材のスクラッチから訓練されるが、トポロジーは同じである。
論文参考訳（メタデータ） (2024-01-21T13:24:41Z)
Graph Neural Networks on Factor Graphs for Robust, Fast, and Scalable Linear State Estimation with PMUs [1.1470070927586016]
本稿では、グラフニューラルネットワーク(GNN)を用いて、PMU電圧と電流測定から複雑なバス電圧推定を学習する手法を提案する。本稿では,電力系統の因子グラフ上でのGNNのオリジナル実装を提案する。このモデルは非常に効率的でスケーラブルであり、計算複雑性は電力系統のノード数に対して線形である。
論文参考訳（メタデータ） (2023-04-28T08:17:52Z)
On Fast Simulation of Dynamical System with Neural Vector Enhanced Numerical Solver [59.13397937903832]
ニューラルベクトル(NeurVec)と呼ばれる深層学習に基づく補正手法を提案する。 NeurVecは、統合エラーを補償し、シミュレーションでより大きなタイムステップサイズを可能にする。様々な複雑な力学系ベンチマークの実験により、NeurVecは顕著な一般化能力を示すことが示された。
論文参考訳（メタデータ） (2022-08-07T09:02:18Z)
Green, Quantized Federated Learning over Wireless Networks: An Energy-Efficient Design [68.86220939532373]
有限精度レベルは、固定精度フォーマットで重みとアクティベーションを定量化する量子ニューラルネットワーク(QNN)を使用して取得される。提案するFLフレームワークは,ベースラインFLアルゴリズムと比較して,収束までのエネルギー消費量を最大70%削減することができる。
論文参考訳（メタデータ） (2022-07-19T16:37:24Z)
Sample-dependent Adaptive Temperature Scaling for Improved Calibration [95.7477042886242]
ニューラルネットワークの誤りを補うポストホックアプローチは、温度スケーリングを実行することだ。入力毎に異なる温度値を予測し、信頼度と精度のミスマッチを調整することを提案する。 CIFAR10/100およびTiny-ImageNetデータセットを用いて,ResNet50およびWideResNet28-10アーキテクチャ上で本手法をテストする。
論文参考訳（メタデータ） (2022-07-13T14:13:49Z)
Enhanced physics-constrained deep neural networks for modeling vanadium redox flow battery [62.997667081978825]
本稿では,物理制約付き深部ニューラルネットワーク(PCDNN)による高精度電圧予測手法を提案する。 ePCDNNは、電圧放電曲線のテール領域を含む電荷放電サイクルを通して、電圧応答を正確にキャプチャすることができる。
論文参考訳（メタデータ） (2022-03-03T19:56:24Z)
On the Tradeoff between Energy, Precision, and Accuracy in Federated Quantized Neural Networks [68.52621234990728]
無線ネットワーク上でのフェデレーション学習(FL)は、精度、エネルギー効率、精度のバランスをとる必要がある。本稿では,ローカルトレーニングとアップリンク伝送の両方において,有限レベルの精度でデータを表現できる量子化FLフレームワークを提案する。我々のフレームワークは標準的なFLモデルと比較してエネルギー消費量を最大53%削減できる。
論文参考訳（メタデータ） (2021-11-15T17:00:03Z)
Calibrating Deep Neural Networks using Focal Loss [77.92765139898906]
ミススキャリブレーション(Miscalibration)は、モデルの信頼性と正しさのミスマッチである。焦点損失は、既に十分に校正されたモデルを学ぶことができることを示す。ほぼすべてのケースにおいて精度を損なうことなく,最先端のキャリブレーションを達成できることを示す。
論文参考訳（メタデータ） (2020-02-21T17:35:50Z)

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。