Adversarial Disentanglement by Backpropagation with Physics-Informed Variational Autoencoder

要約

特に複数の交絡ソースが測定された応答に影響する場合、物理システムの部分的な知識の下での推論と予測は困難です。
物理学ベースのモデルにおけるこれらの影響を明示的に説明することは、認識論的な不確実性、コスト、または時間の制約のためにしばしば実行不可能であり、システムの動作を正確に説明できないモデルをもたらします。
一方、変分自動エンコーダーなどのデータ駆動型機械学習モデルは、普通の表現を特定することは保証されていません。
その結果、彼らは、限られた騒々しいデータの体制における一般化のパフォーマンスと再建の精度の低下に苦しむ可能性があります。
物理学ベースのモデルの解釈可能性とデータ駆動型モデルの柔軟性を組み合わせた物理情報に基づいた変動自動エンコーダーアーキテクチャを提案します。
既知の物理学と交絡の影響の解体を促進するために、潜在空間は、物理ベースのモデルをパラメータ化する物理的に意味のある変数と、物理システムのドメインとクラスの変動性をキャプチャするデータ駆動型変数に分割されます。
エンコーダーは、物理ベースとデータ駆動型のコンポーネントを統合するデコーダーと結合され、データ駆動型のコンポーネントが既知の物理学を無効にするのを防ぎ、物理学に基づいた潜在変数が解釈可能なままであることを保証する敵対的なトレーニング目標によって制約されます。
モデルが入力信号の特徴を解くことができ、既知の物理学をクラスおよびドメインの観測可能性の形で監督を使用して交絡の影響から分離できることを実証します。
このモデルは、工学構造に関連する一連の合成ケーススタディで評価され、提案されたアプローチの実現可能性を実証します。

要約(オリジナル)

Inference and prediction under partial knowledge of a physical system is challenging, particularly when multiple confounding sources influence the measured response. Explicitly accounting for these influences in physics-based models is often infeasible due to epistemic uncertainty, cost, or time constraints, resulting in models that fail to accurately describe the behavior of the system. On the other hand, data-driven machine learning models such as variational autoencoders are not guaranteed to identify a parsimonious representation. As a result, they can suffer from poor generalization performance and reconstruction accuracy in the regime of limited and noisy data. We propose a physics-informed variational autoencoder architecture that combines the interpretability of physics-based models with the flexibility of data-driven models. To promote disentanglement of the known physics and confounding influences, the latent space is partitioned into physically meaningful variables that parametrize a physics-based model, and data-driven variables that capture variability in the domain and class of the physical system. The encoder is coupled with a decoder that integrates physics-based and data-driven components, and constrained by an adversarial training objective that prevents the data-driven components from overriding the known physics, ensuring that the physics-grounded latent variables remain interpretable. We demonstrate that the model is able to disentangle features of the input signal and separate the known physics from confounding influences using supervision in the form of class and domain observables. The model is evaluated on a series of synthetic case studies relevant to engineering structures, demonstrating the feasibility of the proposed approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google