論文の概要: Dissipative Lagrangian Neural Networks for the Interpretable Modelling of Passive Mechanical Systems
- arxiv url: http://arxiv.org/abs/2610.15996v1
- Date: Sun, 11 Oct 2026 23:55:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-19 08:11:41.255233
- Title: Dissipative Lagrangian Neural Networks for the Interpretable Modelling of Passive Mechanical Systems
- Title（参考訳）: パッシブ・メカニカル・システムの解釈モデルのための散逸型ラグランジアンニューラルネットワーク
- Abstract要約: データから直接機械系の保守的・散逸的ダイナミクスを学習する連続時間システム識別手法を提案する。
主な貢献は、(i)(i)(i)(i)(i)(i)(i)(i)(i)(i))(ii)(ii)(ii)保守的な力学を吸収できず、(iii)国家依存の減衰と規則化された摩擦力の幅広いファミリーを表現するのに十分な表現性を保持するという、散逸力の新たなパラメトリションである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we propose the Dissipative Lagrangian Neural Network (dLNN), a continuous-time system identification technique that separately learns the conservative and dissipative dynamics of a mechanical system directly from data. A key contribution is a novel parametrisation of dissipative forces that (i) is structurally constrained to be dissipative, enforcing passivity of the learned model, (ii) cannot absorb conservative mechanics, and (iii) retains sufficient expressivity to represent a broad family of state-dependent damping and regularised friction forces. The model is validated on prediction tasks on two real-world mechanical systems: trajectory prediction of a chaotic double pendulum and inverse-dynamics modelling of a six-degree-of-freedom industrial robot. Across these tasks, the dLNN demonstrates improved predictive performance over existing Lagrangian architectures while remaining competitive with a black-box neural model. The imposed physical structure also improves generalisation to unseen states, with the benefits becoming particularly pronounced when training data is limited. Finally, we introduce a symbolic distillation procedure that extracts closed-form expressions from the learned physical components. Applied to the industrial robot, this produces interpretable symbolic models that retain high predictive accuracy while reducing the computational overhead associated with evaluating neural Lagrangian models.
- Abstract（参考訳）: 本稿では,機械系の保守的・散逸的ダイナミクスをデータから直接学習する連続的なシステム識別技術である散逸型ラグランジアンニューラルネットワーク(dLNN)を提案する。
重要な貢献は、散逸力の新たなパラメトリションである。
i) 学習モデルの通過性を強制する散逸性を有するよう構造的に制約される。
(二)保守的な力学を吸収することができず、
三) 国家依存の減衰及び規則化された摩擦力の幅広いファミリーを表すのに十分な表現力を保持する。
このモデルは、カオス的な二重振り子の軌道予測と、6自由度産業ロボットの逆力学モデリングという、2つの実世界の機械システムの予測タスクに基づいて検証される。
これらのタスク全体で、dLNNは既存のLagrangianアーキテクチャよりも優れた予測性能を示しながら、ブラックボックスニューラルモデルと競合する。
課された物理的構造は、訓練データが制限されたときに特に顕著になるため、目に見えない状態への一般化も改善する。
最後に,学習した物理成分からクローズドフォーム表現を抽出するシンボリック蒸留法を提案する。
産業ロボットに適用されたこのモデルは、高い予測精度を維持しながら、ニューラルラグランジアンモデルの評価に伴う計算オーバーヘッドを低減した解釈可能なシンボルモデルを生成する。
関連論文リスト
- Learning Reduced-Order Dynamics with Singularity via Latent-Augmented Neural Ordinary Differential Equations [14.547521900039781]
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。
論文 参考訳（メタデータ） (2026-08-22T23:57:43Z) - STRIDE: Structured Lagrangian and Stochastic Residual Dynamics via Flow Matching [2.5845893156827158]
本研究では、保守的な剛体力学を不確実かつ効果的に非保守的な相互作用効果から分離する動的学習フレームワークSTRIDEを提案する。
本研究は,ペンデュラム,Unitree Go1ruped,Unitree G1 humanoidなど複雑度の高いシステム上でのSTRIDEの評価である。
その結果, 長軸予測誤差が20%減少し, 接触力予測誤差が30%減少した。
論文 参考訳（メタデータ） (2026-03-09T15:15:21Z) - Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。
われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。
本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
論文 参考訳（メタデータ） (2025-07-15T17:57:48Z) - Learning to Dissipate Energy in Oscillatory State-Space Models [51.98491034847041]
状態空間モデル (SSM) はシーケンス学習のためのネットワークのクラスである。
我々は,D-LinOSSがLinOSSの手法を長距離学習タスクで一貫して上回っていることを示す。
論文 参考訳（メタデータ） (2025-05-17T23:15:17Z) - 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) - 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) - Gibbs-Duhem-Informed Neural Networks for Binary Activity Coefficient
Prediction [45.84205238554709]
本稿では,Gibs-Duhem-informed Neural Network を用いて,様々な組成における二成分活性係数の予測を行う。
ニューラルネットワークの学習における損失関数にギブス・デュヘム方程式を明示的に含んでいる。
論文 参考訳（メタデータ） (2023-05-31T07:36:45Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳（メタデータ） (2022-06-07T13:51:35Z) - 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)
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。