Neural Networks and Friction: Slide, Hold, Learn

要約

この研究では、リカレント ニューラル ネットワーク (RNN)、特にゲート付きリカレント ユニット (GRU) アーキテクチャを利用するネットワークが、合成データからレートと状態の摩擦の法則の複雑なダイナミクスを学習する機能を備えていることが実証されています。
ネットワークのトレーニングに使用されるデータは、状態進化の老化の法則と組み合わせた従来のレートと状態の摩擦方程式の適用を通じて生成されます。
私たちのアプローチの新しい側面は、自動微分によって直接効果を明示的に説明する損失関数の定式化です。
GRU アーキテクチャを備えた RNN は、速度ジャンプ (ターゲット データのノイズの有無にかかわらず) から生じる摩擦係数の変化を予測する方法を効果的に学習することがわかり、それによって物理学の理解とシミュレーションにおける機械学習モデルの可能性を示しています。
摩擦過程のこと。

要約(オリジナル)

In this study, it is demonstrated that Recurrent Neural Networks (RNNs), specifically those utilizing Gated Recurrent Unit (GRU) architecture, possess the capability to learn the complex dynamics of rate-and-state friction laws from synthetic data. The data employed for training the network is generated through the application of traditional rate-and-state friction equations coupled with the aging law for state evolution. A novel aspect of our approach is the formulation of a loss function that explicitly accounts for the direct effect by means of automatic differentiation. It is found that the RNN, with its GRU architecture, effectively learns to predict changes in the friction coefficient resulting from velocity jumps (with and without noise in the target data), thereby showcasing the potential of machine learning models in understanding and simulating the physics of frictional processes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google