ServoLNN: Lagrangian Neural Networks Driven by Servomechanisms

要約

深い学習と古典的な物理学を組み合わせることで、正確な動的モデルの効率的な作成が促進されます。
ニューラルネットワークの最近のクラスでは、ラグランジアンメカニクスがアーキテクチャにハードコーディングされており、ネットワークのトレーニングは特定のシステムを学習します。
ただし、現在のアーキテクチャは、サーボメカニズム（サルボモーター、ステッパーモーター、電流源、体積ポンプなど）によって駆動される動的システムのモデリングを促進しません。
この記事では、サーブメカニズムによって駆動される動的システムをモデル化する新しいアーキテクチャであるServolnnを紹介します。
Servolnnは、運転の動きがジャストインタイムのみが知られているリアルタイムアプリケーションでの使用に互換性があります。
ServolnnのPytorch実装が提供されます。
派生と結果は、トレーニングが収束する可能性のある解決策の可能性のあるファミリーの発生を明らかにしています。
ソリューションのファミリーを単一のソリューションに減らすための解決策と同様に、予測された物理量に対するソリューションファミリーの効果が調査されます。
その結果、アーキテクチャは、エネルギー、パワー、作業速度、質量マトリックス、一般化された加速、一般化された力、およびサーブメカニズムを駆動する一般化された力を同時に正確に見つけることができます。

要約(オリジナル)

Combining deep learning with classical physics facilitates the efficient creation of accurate dynamical models. In a recent class of neural network, Lagrangian mechanics is hard-coded into the architecture, and training the network learns the given system. However, the current architectures do not facilitate the modelling of dynamical systems that are driven by servomechanisms (e.g. servomotors, stepper motors, current sources, volumetric pumps). This article presents ServoLNN, a new architecture to model dynamical systems that are driven by servomechanisms. ServoLNN is compatible for use in real-time applications, where the driving motion is known only just-in-time. A PyTorch implementation of ServoLNN is provided. The derivations and results reveal the occurrence of a possible family of solutions that the training may converge on. The effect of the family of solutions on the predicted physical quantities is explored, as is the resolution to reduce the family of solutions to a single solution. Resultantly, the architecture can simultaneously accurately find the energies, power, rate of work, mass matrix, generalised accelerations, generalised forces, and the generalised forces that drive the servomechanisms.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google