Core Concepts
物理学と機械学習の融合は、データ駆動型手法と物理モデルベース手法の個別の短所を補完し、より高度な解析能力を実現する。
Abstract
本論文は、物理学強化型機械学習(PEML)手法の多様なスペクトルについて包括的に調査・議論している。PEML手法は、物理学的知見と機械学習の機能を融合することで、複雑な問題に対する解決策を提供する。
まず、物理モデルベースのベイズフィルタリング手法について説明する。次に、データ駆動型の深層学習モデルについて簡単に紹介する。その後、PEML手法の主要なカテゴリーを以下のように詳しく解説する:
物理学ガイド型機械学習(PGML): 物理モデルを強く組み込み、その不足部分をデータ駆動型モデルで補完する手法。物理知見を活用しつつ、データからの学習も可能。
物理学情報型機械学習(PIML): 物理方程式を損失関数に組み込むことで、物理整合性を弱く課す手法。物理知見を活用しつつ、データからの学習も可能。
物理学エンコード型機械学習(PEML): 物理法則を直接ニューラルネットワークの構造に組み込む手法。物理知見を強く反映した解を得られるが、データ依存性が高い。
各手法の特徴と適用例を、単自由度ダフィング振動子の事例を用いて解説する。これにより、問題特性に応じた適切なPEML手法の選択を支援する。
Stats
質量 m = 10 kg
減衰係数 c = 1 Ns/m
線形剛性 k = 15 N/m
非線形剛性 k3 = 100 N/m^3