Bond Graphs for multi-physics informed Neural Networks for multi-variate time series

要約

ハイブリッド人工知能技術のトレンドの中で、物理情報機械学習への関心が高まっている。これは主に、シミュレーションデータ、偏微分方程式、または等変量・不変特性を用いて、データ、学習、またはアーキテクチャのバイアスを課すことによって動作する。流体力学のような1つの物理領域を含むタスクでは大きな成功を収めているが、既存の手法は複雑なマルチフィジックスやマルチドメインの現象を含むタスクには適応していない。また、主にエンドツーエンドの学習スキームとして定式化されている。これらの課題を解決するために、マルチフィジックスモデリングアプローチであるボンドグラフをメッセージパッシンググラフニューラルネットワークと共に活用することを提案する。我々は、マルチフィジックス情報に基づいた表現を生成するボンドグラフエンコーダ（NBgE）を提案する。これは、深層学習におけるデータとアーキテクチャのバイアスの両方を統合する統一的な方法を提供する。直流モーターと呼吸器系という2つの困難な多領域物理システムを用いた実験により、多変量時系列予測タスクにおける我々のアプローチの有効性が実証された。

要約(オリジナル)

In the trend of hybrid Artificial Intelligence techniques, Physical-Informed Machine Learning has seen a growing interest. It operates mainly by imposing data, learning, or architecture bias with simulation data, Partial Differential Equations, or equivariance and invariance properties. While it has shown great success on tasks involving one physical domain, such as fluid dynamics, existing methods are not adapted to tasks with complex multi-physical and multi-domain phenomena. In addition, it is mainly formulated as an end-to-end learning scheme. To address these challenges, we propose to leverage Bond Graphs, a multi-physics modeling approach, together with Message Passing Graph Neural Networks. We propose a Neural Bond graph Encoder (NBgE) producing multi-physics-informed representations that can be fed into any task-specific model. It provides a unified way to integrate both data and architecture biases in deep learning. Our experiments on two challenging multi-domain physical systems – a Direct Current Motor and the Respiratory System – demonstrate the effectiveness of our approach on a multivariate time-series forecasting task.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL