[논문 리뷰] Reconstruction of observed mechanical motions with Artificial Intelligence tools

Antal Jakovác, Marcell T. Kurbucz외 1명|arXiv (Cornell University)|2022. 02. 23.

Model Reduction and Neural Networks참고 문헌 28인용 수 7

한 줄 요약

이 논문은 극도로 얕은 신경망을 사용하여 관측된 기계적 운동을 재구성하고 계속하는 물리 법칙을 통합한 기계 학습 방법을 제안한다. 이 방법은 극도로 얕은 신경망을 사용하여 관측된 기계적 운동을 재구성하고 계속하는 물리 법칙을 통합한 기계 학습 방법을 제안한다. 이 방법은 동역학적 제약, 보존량, 운동 방정식을 동시에 강제하여, 중력 펜듈럼과 더블 펜듈럼과 같은 타원적 및 혼돈적 궤적을 1% 미만의 재구성 오차와 90% 이상의 힘 복원 정확도로 안정적이고 정확하게 재구성한다.

ABSTRACT

The goal of this paper is to determine the laws of observed trajectories assuming that there is a mechanical system in the background and using these laws to continue the observed motion in a plausible way. The laws are represented by neural networks with a limited number of parameters. The training of the networks follows the Extreme Learning Machine idea. We determine laws for different levels of embedding, thus we can represent not only the equation of motion but also the symmetries of different kinds. In the recursive numerical evolution of the system, we require the fulfillment of all the observed laws, within the determined numerical precision. In this way, we can successfully reconstruct both integrable and chaotic motions, as we demonstrate in the example of the gravity pendulum and the double pendulum.

연구 동기 및 목표

• 단지 이산 시간 궤적 데이터만 제공될 때, 물리적으로 타당한 방식으로 관측된 기계적 운동을 재구성하기 위해.
• 특히 노이즈 또는 근사 오차가 있는 혼돈적 시스템에서 표준 운동 방정식만을 사용한 재구성의 불안정성 문제를 해결하기 위해.
• 운동 계속 과정에서 기본 물리 법칙(예: 에너지 보존, 제약 조건 등)을 유지하는 방법을 개발하기 위해.
• 최소한의 데이터 기반 신경망 모델을 사용하여 기계 시스템의 정확하고 안정적인 장기 예측을 가능하게 하기 위해.
• 실제 수치 노이즈를 포함한 타원적(편자) 및 혼돈적(더블 펜듈럼) 시스템에서 이 방법의 강건성을 입증하기 위해.

제안 방법

• 기계 시스템의 이산 시간 진화를 나타내는 재귀 커널 FΔt(x)를 표현하기 위해 단일 은닉층을 가진 얕은 신경망을 사용한다.
• 극단적 학습 기반 방법(ELM)을 적용: 출력층 가중치만 학습시키며, 입력-은닉층 가중치는 무작위로 초기화하고 고정한다.
• 학습 중에 다수의 물리적 제약 조건을 강제한다: 1차 제약(홀로노믹 제약), 2차 제약(에너지 등 보존량), 3차 제약(운동 방정식).
• 수치적 재귀 과정에서 모든 제약 조건을 동시에 강제하여, 수치 정밀도 내에서 만족되도록 하여 시스템의 안정성을 확보한다.
• 최소한의 상태공간 차원으로 동역학을 캡처하기 위해 임bedded된 시간 시리즈(예: x_n, x_{n-1})를 시스템 상태로 표현한다.
• 모든 강제된 물리 법칙에서의 이탈을 페널티 처리하는 손실 함수를 사용하여, 관측 노이즈 및 수치 오차에 대한 강건성을 향상시킨다.

실험 결과

연구 질문

• RQ1 단지 이산 시간 궤적 데이터만 제공될 때, 데이터 기반 인공지능 모델이 기계적 운동을 높은 정확도로 재구성할 수 있는가?
• RQ2 물리적 대칭성과 보존 법칙(예: 에너지, 제약 조건 등)을 신경망에 통합하여 운동 재구성의 안정성을 향상시킬 수 있는가?
• RQ3 에너지가 급격히 증가하는 혼돈적 시스템(예: 더블 펜듈럼)에서도 이 방법이 정확성과 안정성을 유지할 수 있는가?
• RQ4 제약 조건, 보존량, 운동 방정식을 포함한 다수의 물리 법칙 수준을 강제함으로써 재구성 품질과 수치적 안정성에 어떤 영향을 미치는가?
• RQ5 표준 역전파 학습 방법과 비교해 볼 때, ELM 기반 학습 접근법은 기계 역학 동역학 재구성에서 효율성과 정확성 측면에서 어떤가?

주요 결과

• 이 방법은 재구성 오차가 단지 0.83%에 불과한 수학적 펜듈럼의 운동을 성공적으로 재구성하였다.
• 더블 펜듈럼의 경우, 수치적 해법의 차이와 혼돈적 민감성에도 불구하고, 강제된 에너지 보존 법칙 덕분에 장기간에 걸쳐 안정된 재구성 운동을 유지하였다.
• 더블 펜듈럼의 경우 힘 재구성 정확도가 93%에 도달하여, 기반 역학을 매우 높은 정밀도로 학습하고 있음을 보여주었다.
• 여러 물리 법칙을 동시에 강제함으로써 안정적인 장기 예측이 가능해졌으며, 표준 운동 방정식만을 사용하는 방법에서 흔히 발생하는 에너지 이탈과 발산을 방지하였다.
• Nfeat = 100–1000의 몇백 개의 파rameter만을 사용하는 ELM의 적용으로 빠른 학습과 추론이 가능하여 계산적으로 효율적인 방법이 되었다.
• 혼돈적 시스템에서 정확한 수치 해가 발산하는 상황에서도, 물리적 제약 조건 덕분에 인공지능 기반 재구성 궤적이 유한하고 타당하게 유지되었다.