A Generative Approach to Control Complex Physical Systems

要約

複雑な物理システムの進化を制御することは、科学と工学にわたる基本的なタスクです。
古典的な手法は、適用性が限られていたり、膨大な計算コストがかかったりするという問題があります。
一方で、最近のディープラーニングや強化学習ベースのアプローチは、システムダイナミクスの制約の下で長期的な制御シーケンスを最適化するのに苦労することがよくあります。
この研究では、物理システム制御問題に対処するための新しいクラスの方法である拡散物理システム制御 (DiffPhyCon) を紹介します。
DiffPhyCon は、学習された生成エネルギー関数と、軌道および制御シーケンス全体にわたって事前定義された制御目標の両方を同時に最小化することで優れています。
したがって、グローバルに探索し、最適に近い制御シーケンスを計画できます。
さらに、事前の再重み付けにより DiffPhyCon を強化し、トレーニング分布から大きく逸脱する制御シーケンスの発見を可能にします。
私たちは、1D バーガーの方程式、2D クラゲの運動制御、2D 高次元煙制御の 3 つのタスクでメソッドをテストします。生成されたクラゲ データセットは、複雑な物理システム制御研究のベンチマークとして公開されます。
私たちの方法は、広く適用されている古典的なアプローチや最先端の​​深層学習および強化学習方法よりも優れています。
注目すべきことに、DiffPhyCon は、クラゲで観察される興味深い、速く閉じてゆっくり開くパターンを明らかにし、流体力学の分野で確立された発見と一致しています。
プロジェクトの Web サイト、クラゲ データセット、コードは https://github.com/AI4Science-WestlakeU/diffphycon にあります。

要約(オリジナル)

Controlling the evolution of complex physical systems is a fundamental task across science and engineering. Classical techniques suffer from limited applicability or huge computational costs. On the other hand, recent deep learning and reinforcement learning-based approaches often struggle to optimize long-term control sequences under the constraints of system dynamics. In this work, we introduce Diffusion Physical systems Control (DiffPhyCon), a new class of method to address the physical systems control problem. DiffPhyCon excels by simultaneously minimizing both the learned generative energy function and the predefined control objectives across the entire trajectory and control sequence. Thus, it can explore globally and plan near-optimal control sequences. Moreover, we enhance DiffPhyCon with prior reweighting, enabling the discovery of control sequences that significantly deviate from the training distribution. We test our method on three tasks: 1D Burgers’ equation, 2D jellyfish movement control, and 2D high-dimensional smoke control, where our generated jellyfish dataset is released as a benchmark for complex physical system control research. Our method outperforms widely applied classical approaches and state-of-the-art deep learning and reinforcement learning methods. Notably, DiffPhyCon unveils an intriguing fast-close-slow-open pattern observed in the jellyfish, aligning with established findings in the field of fluid dynamics. The project website, jellyfish dataset, and code can be found at https://github.com/AI4Science-WestlakeU/diffphycon.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google