Learning Subsystem Dynamics in Nonlinear Systems via Port-Hamiltonian Neural Networks

要約

ポートハミルトニアン ニューラル ネットワーク (pHNN) は、物理法則と深層学習技術を統合する強力なモデリング ツールとして台頭しています。
ほとんどの研究は、相互接続されたシステムのダイナミクス全体のモデル化に焦点を当ててきましたが、より大きなシステムの一部として動作しながら個々のサブシステムを識別してモデル化する可​​能性は見落とされてきました。
この研究では、pHNN を使用して入出力測定のみに基づいてそのようなサブシステムを識別する新しい方法を導入することで、このギャップに対処します。
ポート ハミルトニアン システムの固有の構成特性を利用することにより、内部状態に直接アクセスする必要なく、個々のサブシステムのダイナミクスを学習するアルゴリズムを開発しました。
さらに、出力誤差 (OE) モデル構造を選択することで、測定ノイズを効果的に処理できるようになりました。
提案されたアプローチの有効性は、マルチフィジックス シナリオを含む相互接続システムのテストを通じて実証され、サブシステムのダイナミクスを特定し、新しい相互接続モデルへの統合を促進する可能性を実証します。

要約(オリジナル)

Port-Hamiltonian neural networks (pHNNs) are emerging as a powerful modeling tool that integrates physical laws with deep learning techniques. While most research has focused on modeling the entire dynamics of interconnected systems, the potential for identifying and modeling individual subsystems while operating as part of a larger system has been overlooked. This study addresses this gap by introducing a novel method for using pHNNs to identify such subsystems based solely on input-output measurements. By utilizing the inherent compositional property of the port-Hamiltonian systems, we developed an algorithm that learns the dynamics of individual subsystems, without requiring direct access to their internal states. On top of that, by choosing an output error (OE) model structure, we have been able to handle measurement noise effectively. The effectiveness of the proposed approach is demonstrated through tests on interconnected systems, including multi-physics scenarios, demonstrating its potential for identifying subsystem dynamics and facilitating their integration into new interconnected models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google