arXiv:2606.19368v1 math.NA

물리 정보 기반 제어 문제에서 함수적 사전으로서의 신경망 아키텍처

Neural Architectures as Functional Priors in Physics-Informed Control Problems

Sonia Rubio Herranz, Fernando Carlos López Hernández, Antonio López Montes

제출 2026-06-11

한국어 초록

본 연구에서는 상미분 방정식으로 지배되는 제어 문제에서 암묵적 함수적 사전(implicit functional priors)으로서의 신경망 아키텍처의 역할을 조사합니다. 고도로 복잡한 문제에 초점을 맞추는 대신, 우리의 목표는 물리적으로 해석 가능한 가장 간단한 설정 내에서 제어 동적 시스템(controlled dynamical systems)에서 아키텍처 의존적 효과를 조사하는 것입니다. 구체적으로, 우리는 제어된 선형 RLC 전기 회로와 비선형 Duffing형 동적 시스템을 연구합니다. 두 시스템 모두 먼저 고전적인 최적 제어 공식을 통해 분석되고, 이후 PINN(Physics-Informed Neural Networks) 기반 접근 방식을 통해 분석됩니다. 우리는 다층 퍼셉트론(MLP)과 Fourier 기반 KAN(Kolmogorov-Arnold Networks) 유사 아키텍처의 다양한 조합을 비교하고, 결과적으로 생성되는 제어에 미치는 영향을 분석합니다. 수치 실험에 따르면, 동일한 지배 방정식, 손실 함수(loss functionals), 초기 및 목표 상태, 학습(training) 파라미터, 물리적 제약 조건 하에서도 서로 다른 아키텍처 선택은 체계적으로 질적으로 뚜렷한 제어를 생성하는 것으로 나타났습니다. 학습된 솔루션의 스펙트럼 구조, 평활성(smoothness), 에너지 분포 및 위상 공간 행동에서 유의미한 차이가 나타납니다. 본 연구의 핵심 관찰 결과는 신경망 아키텍처가 학습된 제어의 구조를 형성할 수 있는 충분한 자유를 가질 때 함수적 특화(functional specialization) 현상이 나타난다는 것입니다. 더 구체적으로 말하면, 여기서 고려한 시스템에서 Fourier 기반 아키텍처는 더 풍부한 진동 성분을 포함하는 궤적을 생성하는 경향이 있는 반면, 더 평활한 저주수 편향(low-frequency-biased) 아키텍처는 더 규칙적이고 에너지 효율적인 제어를 생성하는 경향이 있습니다. 이는 제어 문제의 서로 다른 함수적 구성 요소가 서로 다른 신경망 아키텍처에 의해 더 효율적으로 처리될 수 있음을 시사하며, 이는 상태 표현과 제어 생성 사이의 암묵적 특화로 이어집니다.

원문 초록

In this work we investigate the role of neural architectures as implicit functional priors in control problems governed by ordinary differential equations. Rather than focusing on highly complex problems, our objective is to investigate architecture-dependent effects in controlled dynamical systems within the simplest physically interpretable settings possible. In particular, we study a controlled linear RLC electrical circuit and a nonlinear Duffing-type dynamical system. Both systems are analyzed first through classical optimal-control formulations and later through PINN-based approaches. We compare different combinations of multilayer perceptrons (MLPs) and Fourier-based KAN-like architectures, and analyze their influence on the resulting controls. The numerical experiments suggest that different architectural choices systematically generate qualitatively distinct controls, even under identical governing equations, loss functionals, initial and target states, training parameters and physical constraints. Significant differences appear in the spectral structure, smoothness, energy distribution, and phase-space behavior of the learned solutions. A central observation of this work is the emergence of a functional specialization phenomenon when the neural architectures are allowed sufficient freedom to shape the structure of the learned controls. More specifically, in the systems considered here, Fourier-based architectures tend to produce trajectories with richer oscillatory content, whereas smoother low-frequency-biased architectures tend to generate more regular and energetically efficient controls. This suggests that different functional components of the control problem may be handled more efficiently by different neural architectures, leading to an implicit specialization between state representation and control generation.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2606.19368v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2610.10934v1cs.RO공통 태그 Continuous Control, Inductive Bias

액추에이터 성능 저하 상황에서의 4족 보행 강화학습을 위한 고차 형태학적 프라이어

Higher-Order Morphology Priors for Quadruped Reinforcement Learning Under Actuator Degradation

액추에이터 성능 저하는 4족 보행을 관절들이 손실된 액추에이션을 보상해야 하는 협응(coordination) 문제로 만든다. 선행 연구들은 형태학을 인식하는 그래프 정책(morphology-aware graph policy)이 신체 교란(body perturbation) 상황에서 학습과 일반화를 향상시킨다고 제안한다. 본 연구는 고차(higher-order) 기계적 구조를 명시적으로 모델링함으로써 이러한 이점을 강화할 수 있는지를 묻는다. 우리는 Unitree Go1을 다리(limb) 및 몸체(body) 수준의 랭크-2 셀(rank-2 cell)을 갖는 셀 복합체(cell complex)로 표현하고, Hodge 기반 메시지 패싱(Hodge-based message passing)을 적용한다. 저하 상황에서의 학습 하에서, 노드-엣지-면 Hodge 액터(node-edge-face Hodge actor)는 보지 못한 액추에이터 저하에 대해 가장 높은 리턴(return)을 달성하며, 더 높은 생존율과 더 낮은 속도 추적 오차(velocity-tracking error)를 보인다. 이러한 결과는 고차 형태학이 액추에이터 저하 상황에서 전신 보상(whole-body compensation)을 위한 유용한 귀납적 바이어스(inductive bias)임을 뒷받침한다.

arXiv:2609.27186v1cs.LG공통 태그 Continuous Control, dynamical systems

산일 시스템을 위한 데이터 기반 이산 시간 딥 순환 신경망 기반 모델링

Data-driven discrete-time deep recurrent neural network-based modeling for dissipative systems

물리 인공지능(Physical AI)은 실세계의 동역학을 더 잘 이해하고 예측하며 제어하는 AI 시스템을 개발하는 데 기여하며 점점 더 많은 주목을 받고 있습니다. 이를 달성하기 위해서는 높은 예측 정확도를 달성할 뿐만 아니라 동역학 시스템의 근본적인 물리적 특성을 보존하는 AI 모델이 필요합니다. 본 논문에서는 구조적 가중치 제약과 전용 학습 알고리즘을 통해 안정성 및 에너지 산일(energy dissipation)과 관련된 핵심 특성인 산일성(dissipativity)을 명시적으로 강제하는 딥 이산 시간 산일 순환 신경망(DissipNet)을 제안합니다. 구조적 설계에 의해, 제안된 신경망은 고유한 안정성을 보존하면서 산일 동역학을 학습할 수 있으며, 이는 랴푸노프 이론(Lyapunov theory)을 사용하여 엄밀하게 분석됩니다. 지배 방정식을 학습 손실에 반영하지만 산일성이나 수동성(passivity)과 같은 내부 해석적 특성의 보존을 보장하지 않는 물리 정보 신경망(PINN)과 달리, 본 접근 방식은 모델 수준에서 안정성에 대한 명시적인 보장을 제공합니다. 우리는 여러 모델링 응용 사례를 통해 제안된 방법의 효과를 입증하고, 나이브 순환 신경망(RNN) 및 PINN 기반 모델과 성능을 비교합니다.

arXiv:2607.22609v1cs.AI공통 태그 Continuous Control, dynamical systems

동역학 시스템에 대한 해석 가능한 제어기로서 LLM 평가

Evaluating LLMs as Interpretable Controllers for Dynamical Systems

대규모 언어 모델(LLM)은 의사결정 및 추론 작업에 점점 더 많이 사용되고 있지만, 물리 시스템의 제어기로서의 잠재력은 아직 거의 탐구되지 않았다. 본 연구는 LLM이 동적 열 환경에 대한 해석 가능한 제어기로 기능할 수 있는지 조사하며, setpoint 추종, 자연어 명령 해석, 액추에이터(actuator) 효과에 대한 추론, 사전 모델 기반 지식의 통합 능력을 검토한다. 다양한 규모의 LLM 5개를 히터 또는 팬 사용에 대한 페널티가 있는 설정과 모델이 물리 기반 예측 도구에 접근할 수 있는 경우를 포함한 여러 시나리오에서 평가한다. 결과는 제어 성능이 모델 복잡도에 달려 있음을 보여준다. 저·중규모 모델은 액추에이터 동역학을 자주 오해하거나 일관성 없는 추론을 생성하는 반면, Qwen-3~14B 및 GPT-4o와 같은 고복잡도 모델은 정확한 온도 추적, 안정적인 액추에이터 사용, 물리 원리와 일치하는 일관된 설명을 달성한다. 물리 기반 모델을 통합하면 예측적 의사결정을 가능하게 하여 제어의 부드러움과 에너지 효율이 크게 향상된다. 상세한 추론 분류체계는 소형 모델의 인과적 오해에서 대형 모델의 응집적이고 시간적으로 인식된 추론으로의 뚜렷한 진행을 추가로 보여준다. 이 결과는 LLM이 충분한 능력을 갖추고 도메인 지식에 적절히 그라운딩(grounding)될 때 해석 가능한 제어기로 작동할 수 있음을 보여주며, 그럴듯한 설명을 제공할 수 있는 하이브리드 모델 기반 및 언어 기반 제어 전략의 유망한 가능성을 강조한다.

arXiv:2607.21582v1cs.RO공통 태그 Continuous Control, Inductive Bias

전략적 확장: 바이어스 인식 평가 및 데이터 수집을 통한 로봇 조작의 조합적 일반화 학습

Scale Up Strategically: Learning Compositional Generalization via Bias-Aware Evaluation and Data Collection for Robotic Manipulation

조합적 일반화(compositional generalization)는 로봇이 다양한 지시를 따르는 데 필수적이다. 그러나 사전학습된 정책(pretrained policy)은 언어 그라운딩(grounding)보다 눈에 띄는 단서(salient cue)에 의존하는 지름길(shortcut)을 택하는 것으로 알려져 있다. 우리는 이러한 실패를 개별 지시 요인(instruction factor), 예를 들어 색상, 동사, 객체, 크기, 공간 속성과 같은 재사용 가능한 의미 구성요소에 국한시키는 진단 프레임워크를 제안한다. 우리 프레임워크는 파인튜닝된 정책이 지배적인 요인을 지름길로 과도하게 의존하는 경향인 지시 요인 바이어스(instruction factor bias)를 형식화하고, 두 가지 지표를 통해 이를 정량화한다: 요인 간 쌍별 바이어스를 포착하는 Factor Dominance Rate(FDR)와 이를 전역 순위로 집계하는 Factor Dominance Hierarchy(FDH). 6개의 파운데이션 정책(foundation policy)에 대한 평가는 대체로 일관된 순서, 즉 color ≥ object ≥ spatial ≥ verb ≥ size를 보여주며, color가 지배적이고 verb와 size의 그라운딩이 가장 부족하다. 더 나아가 이 진단이 실행 가능함을 보인다: 그라운딩이 부족한 요인에 고정 예산을 재배분하는 바이어스 인식 데이터 수집 전략은 시뮬레이션과 실제 로봇에서 시연(demonstration) 수를 절반으로 줄인 상태에서도 기준선(baseline)을 능가하며, 이를 통해 더 샘플 효율적이고 일반화 가능한 정책 학습을 가능하게 한다.

arXiv:2607.12775v3math.OC공통 태그 Continuous Control

시나리오 기반 모델 예측 제어의 학습 기반 가속

Learning-enabled Acceleration of Scenario-based Model Predictive Control

시나리오 기반 모델 예측 제어(SBMPC)는 여러 예측 시나리오에 걸쳐 제어 입력을 최적화함으로써 불확실성을 명시적으로 고려하는 모델 예측 제어(MPC)의 한 변형이다. 그러나 계산 복잡도가 시나리오 수와 예측 구간에 따라 급격히 증가하여 실시간 계획 및 제어에의 적용이 제한된다. 본 논문은 병렬 계산과 Moreau 포락선 학습을 활용하여 높은 해의 정확도를 유지하면서 SBMPC 문제를 효율적으로 풀기 위한 학습 가속 교대 방향 승수법(ADMM) 알고리즘을 제시한다. 우리는 SBMPC 문제를 ADMM으로 분해할 수 있는 합의 형태로 재구성하여, 시나리오 의존적 동역학을 비예측성 제약으로부터 분리하고 시나리오와 시간 단계에 걸친 병렬 갱신을 가능하게 한다. 이 분해를 바탕으로, 비용 함수의 Moreau 포락선 학습을 활용하는 learning-to-optimize 기법으로 ADMM의 주 변수 갱신을 가속하여 계산 시간을 줄인다. 제안한 프레임워크는 부하와 재생에너지 발전의 불확실성을 갖는 마이크로그리드 에너지 관리 문제에서 평가된다. 대표적인 최신 비선형 계획법 솔버인 IPOPT 및 MadNLP와의 비교에서, 신뢰할 수 있는 폐루프 제어 성능을 유지하면서 상당한 계산 속도 향상을 보였다.

arXiv:2610.02545v2cs.LG공통 태그 Continuous Control

보상 인플레이션: 강화학습을 위한 건강한 자극

Reward Inflation: A Healthy Stimulus for Reinforcement Learning

보상은 강화 학습(RL)의 주된 학습 신호이다. 그러나 보상의 크기는 보통 학습 내내 고정되는 반면, 그 시간적 조절은 아직 충분히 탐구되지 않았다. 본 논문은 학습이 진행되는 동안 보상을 점진적으로 스케일링하는 보상 인플레이션(reward inflation)을 제안하고, 이것이 RL에 건강한 자극으로 작용할 수 있음을 보인다. 이론적으로 보상 인플레이션은 정책 갱신 중 최근 전이에 더 큰 가중을 두는 암묵적 최신성 가중을 유도하여 더 빠른 적응을 가능하게 한다. 또한 보상 인플레이션이 정책이 포화될 때 그래디언트 신호를 유지함으로써 휴면 뉴런의 출현을 억제함을 보이며, 이는 가소성 보존에 기여할 가능성을 시사한다. ALE 게임과 MuJoCo 과제에 대한 실험 결과는 이러한 발견을 뒷받침하며, 적절한 수준의 보상 인플레이션이 광범위한 과제에 이롭다는 것을 보여 준다. 마지막으로 인플레이션 수준을 즉석에서 조정하는 적응형 변형인 Fed를 도입하며, 이것이 고정된 인플레이션보다 자주 성능을 향상시킨다는 것을 확인한다. 소스 코드는 https://github.com/northadventure/RewardInflation 에서 이용할 수 있다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.