論文の概要: Scalable Identification of Physics-Based and Neural Dynamics from Partial Measurements

• arxiv url: http://arxiv.org/abs/2610.16559v1
• Date: Mon, 12 Oct 2026 10:36:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 22:36:16.314229
• Title: Scalable Identification of Physics-Based and Neural Dynamics from Partial Measurements
• Title（参考訳）: 部分的測定による物理ベースおよびニューラルダイナミクスのスケーラブル同定
• Abstract要約: 部分的測定から非線形力学を識別するスケーラブルな手法を提案する。 我々は,移動水平推定方式によって実行される状態推定と合わせて予測誤差法(PEM)を用いる。 パラメータワイドの感度行列を明示的に回避し、基礎となる最適化問題の時間的構造を利用する再構成を導出する。
• 参考スコア（独自算出の注目度）: 6.582702123374343
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a scalable method for identifying nonlinear dynamics from partial measurements, supporting physics-based, neural-network, and gray-box models. We use the Prediction Error Method (PEM) coupled with state estimation performed by a Moving Horizon Estimation (MHE) scheme, which can account directly for general nonlinear dynamics. This results in a bi-level optimization problem that scales poorly with increasing model parameters. To improve computational efficiency, we derive a reformulation that avoids explicit parameter-wide sensitivity matrices and exploits the temporal structure of the underlying optimization problem. Numerical comparisons show up to a $215\times$ speedup in hypergradient evaluation. Racing-vehicle simulations demonstrate accurate prediction and physical-parameter recovery in tire-force identification. Real-world data show that the gray-box model improves prediction accuracy with a neural residual while retaining physical interpretability.
• Abstract（参考訳）: 本稿では,非線形力学を部分的測定から同定し,物理ベース,ニューラルネット,グレーボックスモデルをサポートするスケーラブルな手法を提案する。 我々は、一般的な非線形力学を直接考慮できる移動水平推定(MHE)スキームによって実行される状態推定と組み合わせて予測誤差法(PEM)を用いる。 この結果、モデルパラメータの増加とともにスケールが低下する二段階最適化問題が発生する。 計算効率を向上させるために,パラメータ全体の感度行列を明示的に回避し,根底にある最適化問題の時間的構造を利用する再構成法を導出する。 数値的な比較は、過次評価において215\times$のスピードアップとなる。 レース車両シミュレーションはタイヤ力同定における正確な予測と物理パラメータの回復を示す。 実世界のデータは、グレーボックスモデルが物理的解釈可能性を維持しながら、ニューラルネットワークの残差による予測精度を向上させることを示している。

関連論文リスト

• Variational Parameter Calibration with Physics-Aware Latent-Space Surrogates [3.5829219417440368]
  本稿では,物理を意識したニューラルネットワークに基づく遅延空間フレームワークについて紹介する。 提案したオートエンコーダに基づくアプローチは,物理パラメータを潜在表現によって予測された流れ場にマッピングする,微分可能なサロゲートを与える。
  論文  参考訳（メタデータ） (2026-08-11T21:02:31Z)
• 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)
• Gradient Descent as a Perceptron Algorithm: Understanding Dynamics and Implicit Acceleration [67.12978375116599]
  勾配降下(GD)のステップが一般化されたパーセプトロンアルゴリズムのステップに還元されることを示す。 これは、ニューラルネットワークで観測される最適化力学と暗黙の加速現象を説明するのに役立つ。
  論文  参考訳（メタデータ） (2025-12-12T14:16:35Z)
• An End-to-End Differentiable, Graph Neural Network-Embedded Pore Network Model for Permeability Prediction [0.42970700836450487]
  細孔ネットワークモデル (PNMs) は細孔スケールの油圧コンダクタンスを推定し、その精度を複雑な構造で制限する。 本稿では,グラフニューラルネットワーク(GNN)をPNMに組み込む,エンドツーエンドの差別化可能なハイブリッドフレームワークを提案する。 このモデルは高い精度を達成し、様々なスケールでうまく結合し、純粋なデータ駆動型アプローチと従来のPNMアプローチの両方より優れている。
  論文  参考訳（メタデータ） (2025-09-17T09:15:23Z)
• KO: Kinetics-inspired Neural Optimizer with PDE Simulation Approaches [45.173398806932376]
  本稿では、運動理論と偏微分方程式(PDE)シミュレーションにインスパイアされた新しい神経勾配であるKOを紹介する。 我々は、ネットワークパラメータの力学を、運動原理によって支配される粒子系の進化として再想像する。 この物理駆動のアプローチは、パラメータ凝縮の現象を緩和し、最適化中のパラメータの多様性を本質的に促進する。
  論文  参考訳（メタデータ） (2025-05-20T18:00:01Z)
• Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
  本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。 具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
  論文  参考訳（メタデータ） (2025-03-24T03:19:45Z)
• Hybrid Adaptive Modeling using Neural Networks Trained with Nonlinear Dynamics Based Features [5.652228574188242]
  本稿では,非線形動的モデリングから情報を明らかにし,それをデータベースモデルに組み込むことにより,標準手法から逸脱する新しいアプローチを提案する。 摂動法による非線形力学現象を明示的に取り入れることにより、予測能力はブルートフォース数値シミュレーションから得られた知識と比較してより現実的で洞察力が高い。
  論文  参考訳（メタデータ） (2025-01-21T02:38:28Z)
• SimPINNs: Simulation-Driven Physics-Informed Neural Networks for Enhanced Performance in Nonlinear Inverse Problems [0.0]
  本稿では,ディープラーニング技術を活用した逆問題の解法を提案する。 目的は、観測データに基づいて物理システムを管理する未知のパラメータを推論することである。
  論文  参考訳（メタデータ） (2023-09-27T06:34:55Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Extension of Dynamic Mode Decomposition for dynamic systems with incomplete information based on t-model of optimal prediction [69.81996031777717]
  動的モード分解は、動的データを研究するための非常に効率的な手法であることが証明された。 このアプローチの適用は、利用可能なデータが不完全である場合に問題となる。 本稿では,森-Zwanzig分解の1次近似を考察し,対応する最適化問題を記述し,勾配に基づく最適化法を用いて解く。
  論文  参考訳（メタデータ） (2022-02-23T11:23:59Z)

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。