论文标题

Physics-Informed Representation and Learning: Control and Risk Quantification 物理信息表征与学习：控制与风险量化

论文链接

Physics-Informed Representation and Learning: Control and Risk Quantification论文下载

论文作者

Zhuoyuan Wang, Reece Keller, Xiyu Deng, Kenta Hoshino, Takashi Tanaka, Yorie Nakahira

内容简介

本文提出了一种统一框架，旨在高效地估计高维随机系统的最优控制和安全概率。通过结合随机微分方程的比较定理和可泛化的物理信息神经网络（PINN），该方法显著提高了样本效率。研究中开发了一种类似自动编码器的神经网络，自动识别系统的低维特征，从而简化系统集成设计。实验和定量分析验证了所提方法的有效性，表明该框架在处理高维系统时具有较低的样本复杂度和良好的泛化能力，能够适应未见区域和更长时间范围的需求。

分点关键点

1. 统一框架

   • 本文提出的框架结合了比较定理和物理信息神经网络，能够高效估计高维随机系统的价值函数和安全概率。通过降维技术，显著降低了计算复杂度。
     

2. 样本效率提升

   • 该方法在高维系统中实现了更低的样本复杂度，相比于传统方法，能够在更少的样本下获得准确的估计，适用于长期性能要求的系统。
     

3. 自动特征识别

   • 研究中开发的自动编码器-like神经网络能够自动识别系统的低维特征，简化了系统集成的设计过程，提升了整体效率。

4. 实验验证

   • 通过实验和定量分析，验证了所提方法在实际应用中的有效性，展示了其在多种高维随机控制问题中的适用性和优势。
     

论文代码

代码链接：https://github.com/jacobwang925/path-integral-PINN

AAAI2024论文合集：

AAAI2024论文合集

希望这些论文能帮到你！如果觉得有用，记得点赞关注哦~ 后续还会更新更多论文合集！！

中文关键词

1. 物理信息神经网络
2. 随机控制
3. 安全概率
4. 降维技术
5. 样本效率
6. 自动特征识别