ハイブリッド時間PINN：不連続性を考慮した物理情報ニューラルネットワークによるハイブリッド力学系の学習
Hybrid-time PINNs: Discontinuity-Aware Physics-Informed Neural Networks for Learning Hybrid Dynamical Systems
跳びを持つハイブリッド力学系に対し、流れ区間ごとに別ネットワークを割り当てて跳び時刻と未知パラメータを同時学習するHT-PINNを提案し、跳び回数や摩擦係数を高精度に推定できることを示した。
詳しい要約
1. どんなもの？
2. 先行研究と比べてどこがすごい？
3. 技術・手法の肝は？
4. どうやって有効だと検証した？
5. 議論はある？
6. 次に読むべき論文は？
※ AIが要旨から生成した要約です。正確性は原文をご確認ください。
著者: Shivanshu Tripathi, Maziar Raissi
分類: eess.SY, cs.AI
原文アブストラクト
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%.
関連論文
- 精密制動技術における車両衝突力学の物理情報ニューラルネットワークモデリング物理情報ニューラルネットワーク
- ニューラル逆問題による未知外力源の再構成物理情報ニューラルネットワーク
- 物理情報ニューラルネットワークによるマルチロータ吊り下げ荷物システムのモデリング物理情報ニューラルネットワーク