PiGGO: 불확실성 하의 비선형 동적 구조에 대한 가상 감지를 위한 물리 유도 학습 가능 그래프 칼만 필터
요약
PiGGO(Physics-Guided Graph Neural ODE)는 물리 정보와 그래프 구조를 결합하여 불확실한 비선형 동적 시스템의 상태를 추정하는 새로운 프레임워크입니다. 이 방법은 학습된 그래프 신경 상미분방정식(GNODE)을 연속 시간 상태 전이 모델로 활용하고, 물리 유도 인덕티브 편향을 통해 알려진 구조적 관계를 통합합니다. 그 결과, 미지의 모델 형태와 센싱 제약 조건 하에서도 높은 강건성과 일반화 능력을 갖춘 온라인 가상 감지 및 불확실성 인식 상태 추정이 가능해집니다.
핵심 포인트
- PiGGO는 물리 정보 기반의 그래프 신경 ODE(GNODE)를 활용하여 비선형 동적 시스템의 상태 전이 모델을 구축합니다.
- 그래프 구조와 물리 유도 인덕티브 편향은 시스템의 알려진 구조적 관계를 학습 과정에 통합하여 모델 형태 불확실성을 줄입니다.
- 제안된 프레임워크는 재귀적 베이지안 필터링과 그래프 네이티브 동역학을 결합함으로써 온라인 상태 추정 및 가상 감지를 수행합니다.
- PiGGO는 미지의 모델 형태를 가진 비선형 시스템에 대해 높은 강건성과 일반화 능력을 보여주며, 기존 방법론보다 우수한 성능을 입증했습니다.
디지털 트윈은 공학 시스템의 모니터링 및 제어에서 진단 및 예지 작업에 강력한 패러다임을 제공하지만, 복잡한 구조물에 대한 배포는 미지의 비선형 동역학으로 인한 모델 형태 불확실성과 희소한 센싱에 의해 여전히 도전받고 있습니다. 이러한 한계는 순수 물리 기반 또는 순수 데이터 기반 접근법을 모두 사용하여 신뢰할 수 있는 온라인 상태 추정을 방해합니다. 본 연구에서는 확장된 칼만 필터 내에서 학습된 그래프 신경 상미분방정식 (GNODE) 이 연속 시간 상태 전이 모델로 작용하는 물리 정보 그래프 기반 베이지안 상태 추정 방법인 PiGGO(Physics-Guided Graph Neural ODE) 프레임워크를 소개합니다. 그래프 표현은 시스템 상태 공간을 명시적으로 정의하고, 물리 유도 인дук티브 편향 (physics-guided inductive biases) 은 알려진 구조적 관계를 인코딩하여 비선형 동역학의 학습을 제한합니다. 그래프 네이티브 학습된 동역학과 재귀적 베이지안 필터링을 통합함으로써 제안된 PiGGO 프레임워크는 미지의 모델 형태를 가진 비선형 시스템에 대한 온라인 가상 감지와 불확실성 인식 상태 추정을 가능하게 하 toutopologically 유사한 구조물 전반에 걸쳐 일반화 능력을 유지합니다. 수치 사례 연구는 모델 불확실성과 측정 노이즈에 대한 개선된 강인함을 보여주며, 오픈 루프 그래프 신경 모델과 기존 필터링 접근법 모두를 능가하는 온라인 예측 작업에서 우수한 성능을 발휘합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.LG의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기