論文の概要: A Tutorial on Physics Constrained Machine Learning for Hybrid Modeling, Optimization, and Control
- arxiv url: http://arxiv.org/abs/2610.32914v1
- Date: Fri, 23 Oct 2026 17:17:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 01:38:06.618605
- Title: A Tutorial on Physics Constrained Machine Learning for Hybrid Modeling, Optimization, and Control
- Title（参考訳）: ハイブリッドモデリング・最適化・制御のための物理制約機械学習に関する研究
- Abstract要約: 物理制約付き機械学習(PCML)は、ドメイン知識、第一原理、物理的制約をAI/MLモデルに統合する。
我々は、モジュール型PCMLフレームワークKKT-HardNetのステップバイステップチュートリアルを紹介し、ハイブリッドモデリング、プロセスシミュレーション、最適化、予測制御にどのように使用できるかを説明する。
- 参考スコア（独自算出の注目度）: 0.30586855806896046
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Physics-constrained machine learning (PCML) integrates domain knowledge, first-principles, and physical constraints into AI/ML models. In this work, we present a step-by-step tutorial of a modular PCML framework, KKT-HardNet, and illustrate how it could be used for hybrid modeling, process simulation, optimization and model predictive control in a single platform. KKT-HardNet combines fast inference capabilities of neural networks with guaranteed satisfaction of algebraic constraints through differential projection. It can handle heterogeneous data and enforce both linear and nonlinear equality and inequality constraints. The modular design supports custom neural-network backbones and user-defined projection mechanisms for PCML. To enable efficient end-to-end training, KKT-HardNet exploits implicit function theorem to backpropagate through the projection layer. This avoids computationally expensive automatic differentiation. This work also introduces an exact reduced-order Fischer-Burmeister reformulation and a primal-dual interior-point method as an alternative projection solve strategy. We also provide a diverse set of benchmarking problems for PCML in engineering applications. KKT-HardNet achieves orders of magnitude better performance in terms of both constraint satisfaction and inference time. The KKT-HardNet code and the benchmark datasets are available at https://github.com/souls-tamu/kkt-hardnet .
- Abstract（参考訳）: 物理制約付き機械学習(PCML)は、ドメイン知識、第一原理、物理的制約をAI/MLモデルに統合する。
本稿では、モジュール型PCMLフレームワークKKT-HardNetのステップバイステップチュートリアルを紹介し、ハイブリッドモデリング、プロセスシミュレーション、最適化、モデル予測制御にどのように使用できるかを説明する。
KKT-HardNetは、ニューラルネットワークの高速推論能力と微分射影による代数的制約の満足度を結合する。
不均一なデータを扱うことができ、線形および非線形平等と不等式制約の両方を強制することができる。
モジュール設計は、カスタムニューラルネットワークバックボーンとPCMLのユーザ定義プロジェクションメカニズムをサポートする。
効率的なエンドツーエンドトレーニングを可能にするため、KKT-HardNetはプロジェクション層をバックプロパゲートするために暗黙の関数定理を利用する。
これにより計算コストのかかる自動微分が回避される。
この研究は、プロジェクション解決戦略として、正確に整列されたフィッシャー・バーミスターの再構成と原始双対内点法も導入した。
また、エンジニアリングアプリケーションにおけるPCMLの様々なベンチマーク問題も提供します。
KKT-HardNetは、制約満足度と推論時間の両方の観点から、桁違いに優れたパフォーマンスを達成する。
KKT-HardNetコードとベンチマークデータセットはhttps://github.com/souls-tamu/kkt-hardnetで公開されている。
関連論文リスト
- Tensor Network Kernel Machines: A JAX Framework for Machine Learning and Nonlinear System Identification [6.101839518775971]
tnkm"は、ネットワークカーネルマシンの構築とトレーニングのためのオープンソースのPythonライブラリである。
我々は,「tnkm」がコンパクトなパラメータ化と効率的なトレーニングを維持しながら,競争予測精度を達成することを示す。
論文 参考訳（メタデータ） (2026-08-07T09:52:05Z) - A KL Lens on Quantization: Fast, Forward-Only Sensitivity for Mixed-Precision SSM-Transformer Models [9.31160191200499]
エッジデバイス上の大規模言語モデル(LLM)は、計算とメモリの厳しい制約に直面している。
量子化誘起劣化に最も敏感なハイブリッドSSM-トランスフォーマーコンポーネントを同定するための,軽量でバックプロパゲーションフリーなサロゲート型感度分析フレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-15T03:40:30Z) - Beyond Test-Time Training: Learning to Reason via Hardware-Efficient Optimal Control [86.63490309209378]
我々は、最適制御として推論を定式化し、推論時に潜在状態に対して有限水平LQR計画を行うテスト時間制御層を導入する。
アーキテクチャ層として最適制御を組み込むことは、テスト時間トレーニングを超えた推論のための効果的でスケーラブルなメカニズムを提供することを実証する。
論文 参考訳（メタデータ） (2026-03-10T05:42:13Z) - Physics-Informed Neural Networks with Hard Nonlinear Equality and Inequality Constraints [0.0]
KKT-Hardnetは、線形で非線形な等式制約と不等式制約を機械精度に課すニューラルネットワークアーキテクチャである。
KKT-Hardnetは多層受入可能なPINNと比較して厳密な制約満足度を達成する。
これにより、複雑なシステムの信頼性のあるモデリングに向けて、ドメイン知識を機械学習に統合することができる。
論文 参考訳（メタデータ） (2025-07-10T19:24:53Z) - Training Deep Learning Models with Norm-Constrained LMOs [56.00317694850397]
線形最小化オラクル(LMO)を用いて問題の幾何学に適応する新しいアルゴリズム群を提案する。
我々は,Adamに頼らずに,我々のアルゴリズムであるScionを用いたナノGPTトレーニングの大幅な高速化を示す。
論文 参考訳（メタデータ） (2025-02-11T13:10:34Z) - Multi-Level GNN Preconditioner for Solving Large Scale Problems [0.0]
グラフニューラルネットワーク(GNN)はメッシュのような非構造化データから学ぶのに最適だが、小さな問題に制限されることが多い。
本稿では,GNNモデルを多レベルドメイン分解フレームワークに統合した新しいプレコンディショナーを提案する。
提案したGNNベースのプレコンディショナーは、Krylov法の効率を高めるために使用され、任意の精度の要求レベルに収束できるハイブリッド・ソルバとなる。
論文 参考訳（メタデータ） (2024-02-13T08:50:14Z) - A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical
Computation Offloading [62.34538208323411]
共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。
MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
論文 参考訳（メタデータ） (2023-09-02T11:01:16Z) - An Adaptive Device-Edge Co-Inference Framework Based on Soft
Actor-Critic [72.35307086274912]
高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。
本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。
レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
論文 参考訳（メタデータ） (2022-01-09T09:31:50Z) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳（メタデータ） (2021-06-17T17:26:31Z) - Belief Propagation Reloaded: Learning BP-Layers for Labeling Problems [83.98774574197613]
最も単純な推論手法の1つとして、切り詰められた最大積のBelief伝播を取り上げ、それをディープラーニングモデルの適切なコンポーネントにするために必要となるものを加えます。
このBP-Layerは畳み込みニューラルネットワーク(CNN)の最終ブロックまたは中間ブロックとして使用できる
このモデルは様々な密集予測問題に適用可能であり、パラメータ効率が高く、ステレオ、光フロー、セマンティックセグメンテーションにおける堅牢な解を提供する。
論文 参考訳（メタデータ） (2020-03-13T13:11:35Z)
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。