論文の概要: Hybrid-time PINNs: Discontinuity-Aware Physics-Informed Neural Networks for Learning Hybrid Dynamical Systems
- arxiv url: http://arxiv.org/abs/2610.33562v1
- Date: Sat, 24 Oct 2026 09:29:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.36123
- Title: Hybrid-time PINNs: Discontinuity-Aware Physics-Informed Neural Networks for Learning Hybrid Dynamical Systems
- Title（参考訳）: ハイブリッド時間PINN:ハイブリッド力学系学習のための連続性を考慮した物理情報ニューラルネットワーク
- Abstract要約: 物理インフォームドニューラルネットワーク(PINN)は、既知のダイナミクスを強制しながらデータに適合する。
PINNがジャンプするほど、その物理損失は大きくなるはずである。
本稿では、ハイブリッド時間領域の各フロー間隔に1つのネットワークを割り当てるハイブリッド時間PINN(HT-PINN)を提案する。
- 参考スコア（独自算出の注目度）: 4.146672630717473
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Hybrid dynamical systems flow continuously but jump at discrete events. Physics-informed neural networks (PINNs) fit data while enforcing known dynamics, but a single network is smooth in time and cannot model these jumps. We show that the more closely a PINN follows a jump, the larger its physics loss must be. We propose hybrid-time PINNs (HT-PINNs), which assign one network to each flow interval of the hybrid time domain and train the networks jointly with the jump times and the unknown parameters. The number of jumps and the sequence of modes are found by enumeration. HT-PINNs recover the number of jumps and the restitution coefficient of a bouncing ball. In a MuJoCo simulation of robotic disassembly, where a robot pulls a press-fitted pin out of a housing through a spring, HT-PINNs find the number of jumps and the sequence of modes, and estimate the static and kinetic friction coefficients with small errors of 0.1% and 1.7%.
- Abstract（参考訳）: ハイブリッド力学系は連続的に流れるが、離散事象に飛び乗る。
物理インフォームドニューラルネットワーク(PINN)は、既知のダイナミクスを強制しながらデータに適合するが、単一のネットワークは時間的にスムーズであり、これらのジャンプをモデル化することはできない。
PINNがジャンプするほど、その物理損失は大きくなるはずである。
本研究では,ハイブリッド時間領域の各フロー間隔に1つのネットワークを割り当て,ジャンプ時間と未知パラメータを併用してネットワークを訓練するハイブリッド時間PINNを提案する。
ジャンプ数とモードのシーケンスは列挙によって見つける。
HT-PINNは、バウンシングボールのジャンプ数と再生係数を回復する。
MuJoCoのロボット分解シミュレーションでは、ロボットがスプリングを介して押圧ピンをハウジングから取り出すと、HT-PINNはジャンプ数とモードのシーケンスを見つけ、0.1%と1.7%の小さな誤差で静的および運動摩擦係数を推定する。
関連論文リスト
- Physics-Modeled Neural Networks [0.0]
EmphDynamical Physics-Modeled Neural Networks (DynPMNNs)を紹介する。
DynPMNNは、各隠蔽層が通常の微分方程式の解として定義される、連続時間深層学習アーキテクチャである。
論文 参考訳（メタデータ） (2026-05-05T07:29:48Z) - Fractional Spike Differential Equations Neural Network with Efficient Adjoint Parameters Training [63.3991315762955]
スパイキングニューラルネットワーク(SNN)は、生物学的ニューロンからインスピレーションを得て、脳に似た計算の現実的なモデルを作成する。
既存のほとんどのSNNは、マルコフ特性を持つ一階常微分方程式(ODE)によってモデル化された、神経細胞膜電圧ダイナミクスの単一時間定数を仮定している。
本研究では, 膜電圧およびスパイク列車の長期依存性を分数次力学により捉えるフラクタルSPIKE微分方程式ニューラルネットワーク (fspikeDE) を提案する。
論文 参考訳（メタデータ） (2025-07-22T18:20:56Z) - 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) - Domain-decoupled Physics-informed Neural Networks with Closed-form Gradients for Fast Model Learning of Dynamical Systems [2.8730926763860687]
物理インフォームドニューラルネットワーク(PINN)は、物理方程式を用いて訓練され、データから学習することで、モデル化されていない効果を組み込むことができる。
本稿では、大規模で複雑な非線形力学系を扱う場合のPINCの現在の限界に対処するために、ドメイン分離された物理情報ニューラルネットワーク(DD-PINN)を導入する。
論文 参考訳（メタデータ） (2024-08-27T10:54:51Z) - How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。
入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文 参考訳（メタデータ） (2023-06-04T08:53:27Z) - Dynamics with autoregressive neural quantum states: application to
critical quench dynamics [41.94295877935867]
本稿では、量子系の長時間のダイナミクスを安定的に捉えるための代替の汎用スキームを提案する。
二次元量子イジングモデルにおけるキブル・ズレーク機構の解明により,時間依存性のクエンチ力学にこのスキームを適用した。
論文 参考訳（メタデータ） (2022-09-07T15:50:00Z) - Training High-Performance Low-Latency Spiking Neural Networks by
Differentiation on Spike Representation [70.75043144299168]
スパイキングニューラルネットワーク(SNN)は、ニューロモルフィックハードウェア上に実装された場合、有望なエネルギー効率のAIモデルである。
非分化性のため、SNNを効率的に訓練することは困難である。
本稿では,ハイパフォーマンスを実現するスパイク表現法(DSR)の差分法を提案する。
論文 参考訳（メタデータ） (2022-05-01T12:44:49Z) - Critical Limits in a Bump Attractor Network of Spiking Neurons [0.0]
バンプアトラクターネットワークは、入力源に関連するスパイクパターンから生じる競合する神経プロセスを実装するモデルである。
本稿では,様々な正および負の重み付けと,入力スパイク源の大きさの増大によるパラメータ空間の限界について検討する。
論文 参考訳（メタデータ） (2020-03-30T11:54:33Z) - A Spike in Performance: Training Hybrid-Spiking Neural Networks with
Quantized Activation Functions [6.574517227976925]
Spiking Neural Network(SNN)は、エネルギー効率の高いコンピューティングに対する有望なアプローチである。
我々は、非スパイキングネットワークをSNNに変換する際に、最先端の精度を維持する方法を示す。
論文 参考訳（メタデータ） (2020-02-10T05:24:27Z)
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。