PyTorchKR Papers

최신 논문

총 4편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.02466v1eess.SY

SD-DPC: 희소 딕셔너리 미분 가능 예측 제어

SD-DPC: Sparse Dictionary Differentiable Predictive Control

본 논문에서는 데이터로부터 비선형 시스템에 대한 희소(sparse)하고 해석 가능한 피드백 정책을 학습하는 프레임워크인 희소 딕셔너리 미분 가능 예측 제어(SD-DPC, sparse dictionary differentiable predictive control)를 제안합니다. 먼저 그래디언트 기반 및 다단계(multistep) 정식을 기반으로 한 롤아웃 기반 비선형 동역학 희소 식별(SINDy)을 통해 예측 모델을 식별합니다. 그런 다음 정책을 딕셔너리 함수의 희소 조합으로 매개변수화하고, 이 모델을 통해 제약 조건이 있는 유한 구간(finite-horizon) 예측 제어 목적식을 미분하여 학습함으로써 이전에 학습된 제어기를 모방하는 대신 폐루프(closed-loop) 성능에 따라 해당 항들이 선택되도록 합니다. 그 결과 극소수의 항만을 갖는 명시적 피드백 법칙이 도출됩니다. 세 가지 벤치마크 제어 문제에서 SD-DPC는 모든 테스트 시나리오의 제약 조건을 만족하고, 동일한 항으로 증류된 정책보다 최대 한 자릿수(order of magnitude) 이상 뛰어난 성능을 보였으며, 최적화 벤치마크 대비 수 자릿수 적은 메모리와 온라인 연산량만을 요구하는 동시에 명시적인 민감도 경계를 제공합니다.

arXiv:2609.09434v2cs.LG

텐서 트레인 기반 약형 SINDy: 고차원 비선형 동역학 식별

Tensor-Train Weak SINDy: Identifying High-Dimensional Nonlinear Dynamics

약형 비선형 동역학 희소 식별(WSINDy)은 수치 미분을 요구하지 않고 데이터로부터 동역학계를 학습하기 위한 노이즈에 강건한 접근법을 제공합니다. 그러나 고차원 시스템의 경우, 후보 함수의 텐서 곱 라이브러리가 상태 차원에 따라 지수적으로 증가하여 표준 WSINDy는 연산 및 메모리 측면 모두에서 비용이 많이 듭니다. 다차원 비선형 동역학 근사(MANDy)는 후보 라이브러리의 텐서 트레인(TT) 표현을 통해 이러한 스케일링 문제를 해결하지만, 희소 모델 선택 메커니즘을 제공하지는 않습니다. 본 연구에서는 이러한 접근법들을 결합하여 약형 변환, 회귀, 희소화를 모두 TT 형식으로 수행하는 TT-WSINDy를 개발합니다. 본 논문에서는 TT 정식화가 이에 상응하는 WSINDy 회귀 문제를 복원함을 보이고, 텐서 트레인 희소화 과정에 대한 다항 시간 및 메모리 복잡도 경계를 유도합니다. 수치 실험을 통해 측정 노이즈에 대한 강건성과 고차원 시스템에서의 연산량 절감 효과를 입증합니다.

arXiv:2607.15077v1cs.LG

공학 응용을 위한 비선형 동역학 희소 식별 소개

An Introduction to Sparse Identification of Nonlinear Dynamics for Engineering Applications

많은 공학 문제에는 지배 방정식이 불충분하게 특성화되었거나 부분적으로만 알려진 현상이 포함된다. 신경망과 같은 대리 모델링(surrogate modeling) 기법은 이러한 시스템의 거동을 포착할 수 있지만, 일반적으로 공학 환경에서 얻기 어려운 대규모 학습 데이터셋을 요구하며 물리적 해석 가능성이 제한된 모델을 산출한다. 비선형 동역학 희소 식별(SINDy) 방법은 후보 비선형 항들의 라이브러리에 대해 희소 회귀(sparse regression)를 수행함으로써 두 한계를 모두 해결하며, 비교적 작은 데이터셋으로부터 해석 가능한 지배 방정식을 복원한다. SINDy는 표준 벤치마크 시스템에서 광범위하게 시연되었지만, 실용적 공학 문제에 대한 적용은 덜 널리 문서화되어 있다. 본 튜토리얼은 SINDy 방법을 소개하고, 노이즈 견고 약형(weak-form) 및 앙상블 기반 변형부터 제약 및 매개변수화 가능한 formulation까지 주요 확장으로 점진적으로 나아간다. 본 논문과 동반 튜토리얼(https://github.com/paullililili/SINDy4Engineers)은 세 부분으로 구성된다: 첫 번째 부분은 표준 SINDy 알고리즘을 소개하고 점진적으로 확장하며, 사전 지식이 없는 독자도 각 단계를 따라가 자신의 문제에 방법을 적용할 수 있도록 한다; 나머지 두 부분은 (1) 무인 항공기(UAV)의 시스템 식별과 (2) 혼돈 thermosyphon 열교환기에 대한 상세 사례 연구를 제시한다. 이러한 예시를 통해 SINDy가 구현은 간단하면서도 고급 공학 응용을 위한 유용한 식별 도구로서 충분히 유연함을 보여 주는 것을 목표로 한다.

arXiv:2606.12182v1cs.LG

얼마나 낮출 수 있습니까? 초저데이터 한계에서 희소 모델 발견을 위한 능동 학습

How Low Can You Go? Active Learning for Sparse Model Discovery in the Ultra-Low-Data Limit

복잡한 동적 시스템의 지배 방정식을 식별하는 것은 과학 및 공학 전반에 걸쳐 여전히 근본적인 과제입니다. 초기 접근 방식은 경험적 데이터와 휴리스틱에 의존했지만, 현대의 데이터 기반 방법은 더 큰 유연성과 더 적은 가정을 제공합니다. 그러나 실제 환경에서의 데이터 수집은 종종 비용이 많이 듭니다. 본 연구는 초저데이터 한계에서 역학(dynamics) 발견을 위한 능동 학습 전략을 도입하여 이러한 과제를 해결합니다. 무작위로 샘플링하는 대신, 우리의 방법은 모델 식별에 가장 유용한 정보를 제공하는 영역을 반복적으로 우선시합니다. 이 접근 방식은 비선형 역학의 희소 식별(SINDy)을 기반으로 하며, 상미분 방정식 및 편미분 방정식(ODEs/PDEs) 모두에 대해 인식론적 불확실성을 추정하고 샘플링을 안내하기 위해 앙상블 확장인 E-SINDy를 활용합니다. ODE의 경우, 다양한 데이터 예산과 노이즈 수준에 걸쳐 로렌츠 시스템에 대한 포괄적인 분석을 수행했습니다. PDE의 경우, 대조적인 동역학적 특성을 가진 두 시스템을 조사했습니다. 날카로운 충격 파면(shock front)이 정보가 풍부한 영역과 그렇지 않은 영역을 구분하는 버거스 방정식과, 공간적으로 더 복잡한 샘플링 지형을 제시하는 쿠라모토-시바시ński 방정식입니다. 모든 시나리오에서 제안된 방법은 무작위 샘플링보다 현저히 적은 데이터 샘플로 지배 역학을 정확하게 식별합니다.