論文の概要: Self-Consistent Neural Control: Learning Trajectories for Implicit Equilibrium
- arxiv url: http://arxiv.org/abs/2611.03885v1
- Date: Mon, 02 Nov 2026 19:54:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-11 10:36:05.538818
- Title: Self-Consistent Neural Control: Learning Trajectories for Implicit Equilibrium
- Title(参考訳): 自己整合性ニューラルコントロール:不必要平衡の学習軌跡
- Abstract要約: 本稿では,感度変動を明示的に制御するトラジェクトリを最適化するために,SCNC(Self-Consistent Neural Control)を導入する。
我々は, 弾性棒などの単純な二次エネルギーモデルから, 薄肉管, テープ, スリンキー状構造などの複雑なシステムまで, 変形可能な物体の枠組みを検証した。
- 参考スコア(独自算出の注目度): 5.3562476434019715
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: One big challenge in physical AI is interacting with systems whose states are defined by implicit equilibrium. Learning in these systems is difficult because their responses can be multistable, path-dependent, and sensitive over long horizons. Adjoint learning provides an efficient way to optimize trajectories without unrolling iterative equilibrium solvers, but its gradient relies on the frozen-tangent approximation, which neglects higher-order sensitivity terms and can become inaccurate when the local equilibrium varies rapidly. In this work, we introduce Self-Consistent Neural Control (SCNC), optimizing trajectories along which sensitivity variations are explicitly controlled. We derive a mathematical bound on the resulting gradient error and develop a practical finite-difference approximation. We validate the framework on deformable objects, which are representative of implicit equilibrium systems, ranging from simple quadratic energy models such as elastic rods to complex systems including thin-walled tubes, measuring tapes, and Slinky-like structures. Compared with the adjoint learning and the gradient-free iCEM baselines, SCNC achieves faster convergence and more stable optimization by reducing switching to undesirable equilibrium branches, doubling the stable optimization rate over adjoint learning 83.3% vs. 41.7% and reducing the average loss by more than 1.5 orders of magnitude on thin-walled tubes, where sensitivity variations are pronounced.
- Abstract(参考訳): 物理AIにおける大きな課題のひとつは、状態が暗黙の平衡によって定義されるシステムと相互作用することだ。
これらのシステムでの学習は、応答がマルチスタブルで、パスに依存し、長い地平線上で敏感であるため困難である。
随伴学習は、反復平衡解法を外すことなく軌道を最適化する効率的な方法を提供するが、その勾配は、高次感度項を無視し、局所平衡が急速に変化すると不正確になる凍ったタンジェント近似に依存する。
本研究では,感度変動を明示的に制御するトラジェクトリを最適化する,SCNC(Self-Consistent Neural Control)を導入する。
得られた勾配誤差に数学的境界を導出し、実用的な有限差分近似を開発する。
我々は、弾性棒のような単純な二次エネルギーモデルから、薄肉管、測定テープ、スリンキーのような構造を含む複雑なシステムまで、暗黙の平衡系を表す変形可能な物体の枠組みを検証する。
副次学習と勾配のないiCEMベースラインと比較して、SCNCは、望ましくない平衡分岐への切り替えを減らし、随伴学習の83.3% vs. 41.7%よりも安定した最適化率を2倍にし、感度変化が顕著な薄肉管において平均損失を1.5桁以上減少させることにより、より高速な収束とより安定した最適化を実現する。
関連論文リスト
- Transolver-$σ$: Joint Spectral-Physical Subspace Modeling for Neural PDE Solving [53.58729034895666]
Transolver-$は、結合スペクトル-物理部分空間モデリングに基づくニューラルPDEソルバである。
平均的な相対誤差を33.4%減らし、各基準に対して最強の基準線を上回り、最先端を達成している。
論文 参考訳(メタデータ) (2026-09-29T11:24:19Z) - A Journey to the Edge of Stability [53.81268610971847]
深層学習は、最大ヘッセン固有値モデルが学習率と相反する値で安定化される「安定性の端」(EoS)でしばしば起こる。
深層学習問題を解き、深層学習率のスイープで一階最適化法を変化させる。
次に、学習軌跡の特徴量、すなわち損失、鋭さ、連続的な勾配間のアライメントを追跡する。
論文 参考訳(メタデータ) (2026-09-26T06:28:18Z) - When Does Scale-Invariant Optimization Become Unstable? An Exact Schedule Law with Weight Decay [6.625270757109195]
標準成長は、反対の幾何学的自己整合効果を誘導する一方、1つの量で全てのスケジュールと崩壊の強制を捉えていることを示す。
これは、収縮と拡張が支配する効果的な学習率体制をきれいに分離する鋭い境界をもたらす。
論文 参考訳(メタデータ) (2026-09-08T17:46:17Z) - Response Renormalization for Critical Deep Equilibrium Models [0.0]
暗黙の微分による訓練は、残留ヤコビアンから構築された随伴系を解く必要がある。
本稿では,非持ち上げ応答チャネルをそのまま残しながら,選択したニアポールディノミネータを持ち上げるバックワードパスフレームワークであるResponse Renormalizationを導入する。
我々は、密度と行列のない集合的定式化を導き、改良された凍結アンカー残基と後方応答サロゲートとの正確な勾配を区別し、構造的インプリシット層とベクトルトラクターに構造を拡張した。
論文 参考訳(メタデータ) (2026-08-24T18:10:30Z) - Towards Data-Efficient Cross-Device Generalization of Grad-Shafranov Equilibria via Transfer Learning Neural Operator [3.9544080780786692]
平衡再構成は、デバイス間演算子学習問題として再キャスト可能であることを示す。
我々は、幾何学とプロファイルパラメータを直接ポロイドフラックス場にマッピングする、ドメイン固有のニューラル演算子フレームワークを開発した。
解析的に抽出可能なソロフエフ族を制御されたグラッド・シャフラノフテストベッドとして使用し、8つの幾何学的に異なるトカマクのような構成の平衡を生成する。
論文 参考訳(メタデータ) (2026-06-13T23:47:19Z) - Neural Control: Adjoint Learning Through Equilibrium Constraints [7.41073008855977]
トラジェクトリに依存した,メモリ効率のよいプロキシ勾配を演算する境界制御フレームワークを提案する。
本研究では,SPSAやCEMなどの勾配のないベースラインの性能向上を示す。
論文 参考訳(メタデータ) (2026-05-05T02:19:37Z) - Stability and Generalization of Push-Sum Based Decentralized Optimization over Directed Graphs [55.77845440440496]
プッシュベースの分散通信は、情報交換が非対称である可能性のある通信ネットワークの最適化を可能にする。
我々は、グラディエント・プッシュ(SGP)アルゴリズムのための統一的な一様安定性フレームワークを開発する。
重要な技術的要素は、2つの量に束縛された不均衡認識の一般化である。
論文 参考訳(メタデータ) (2026-02-24T05:32:03Z) - Physics-Informed Neural ODEs with Scale-Aware Residuals for Learning Stiff Biophysical Dynamics [4.285464959472458]
規模対応残差を持つ物理インフォームドニューラルネットワーク(PI-NODE-SR)を導入する。
このフレームワークは、異なる時間スケールで進化する状態変数間のコントリビューションのバランスをとるために、低次の明示的正規化(Heun法)を組み合わす。
硬いソルバ(Rodas5P)でシミュレートされた単一発振から学習し、100ミリ秒を超える外挿を行い、発振周波数とほぼ正確な振幅の両方を捉える。
論文 参考訳(メタデータ) (2025-11-13T06:52:11Z) - The Butterfly Effect: Neural Network Training Trajectories Are Highly Sensitive to Initial Conditions [51.68215326304272]
たとえ小さな摂動であっても、同じ訓練軌跡を確実に引き起こすことで、トレーニング時間とともに急速に減少する効果が発散することを示します。
この結果から,ニューラルネットワークのトレーニング安定性,微調整,モデルマージ,モデルアンサンブルの多様性の実践的意味が示唆された。
論文 参考訳(メタデータ) (2025-06-16T08:35:16Z) - Machine learning in and out of equilibrium [58.88325379746631]
我々の研究は、統計物理学から適応したフォッカー・プランク法を用いて、これらの平行線を探索する。
我々は特に、従来のSGDでは平衡が切れている長期的限界におけるシステムの定常状態に焦点を当てる。
本稿では,ミニバッチの置き換えを伴わない新しいランゲヴィンダイナミクス(SGLD)を提案する。
論文 参考訳(メタデータ) (2023-06-06T09:12:49Z) - Rotational Equilibrium: How Weight Decay Balances Learning Across Neural Networks [33.88586668321127]
本研究は,ディープニューラルネットワークにおける個々のニューロンの更新挙動に重み劣化が及ぼす影響について検討する。
本研究では, 回転を明示的に制御することで, 重量減衰の利点が得られ, 学習率のウォームアップを著しく低減できることを示した。
論文 参考訳(メタデータ) (2023-05-26T19:14:01Z)
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。