[論文レビュー] Scientific Machine Learning-assisted Model Discovery from Telemetry Data

Sebastian Micluţa-Câmpeanu, Avinash Subramanian+5 more|arXiv (Cornell University)|Mar 16, 2026

Building Energy and Comfort Optimization被引用数 0

ひとこと要約

本論文は Dyad Model Discovery を提示する。物理ベースのモデルをニューラルネットの補正（UDEs）で拡張し、engineering-in-the-loop の意思決定と符号的回帰を用いて、輸送用冷蔵ユニットの貨物箱に対する予測精度を改善する半自動ワークフロー。

ABSTRACT

Calibration of dynamic models to data is an important step in building building digital twins of HVAC equipment, thermal loads and control systems. Sometimes, when a model fails to calibrate to data, a possible cause is that the model has made too many sim- plifying assumptions and is missing physics. In this paper we propose a semi-automated approach, called Dyad Model Discovery, that can augment the physical equations of the model with symbolic expressions discovered from the data. We demonstrate this method on a digital twin of a transportation refrigeration unit to improve its predictive performance, trained using telemetry data. An engineer-in-the-loop workflow is proposed, which provides suggestions to the user which can then be accepted or rejected. This is the first AI-assisted engineering design workflow to our knowledge.

研究の動機と目的

• 物理現象が単純化または欠落している場合に、データ駆動項で方程式を補強して動的モデルの較正を改善する。
• モデル補正を提案・受理・却下するエンジニア-in-the-loop ワークフローを提供する。
• 普遍微分方程式（UDEs）、感度解析、および符号的回帰を活用して解釈可能な補正を導出する。
• テレメトリデータを用いて輸送用冷蔵ユニットの二ゾーン貨物箱で手法を実証する。

提案手法

• 既存の微分代数方程式（DAE）モデルをニューラルネット補正項で補強し、Universal Differential Equation（UDE）を形成する。
• モデル出力とテレメトリデータとのデータ残差を最小化するようニューラルネットを訓練する。
• 出力マスキングを適用して最も影響力のある補正のみを同定・保持する。
• 感度解析を実施して影響力のある入力を特定し、入力次元を削減する。
• 符号的回帰を用いてニューラルネット補正を符号表現に置換し一般化性を高める。
• Dyad SciML 環境でのワークフロー実装。複数のアーキテクチャと実験追跡を含む。

Figure 1: Dyad Model Discovery . The user-facing engineer-in-the-loop steps are on the left, while the automated procedures are found on the right. Finally, the engineer has a choice whether to accept or reject the proposed changes from the system.

実験結果

リサーチクエスチョン

• RQ1 UDE ベースの補強はテレメトリデータを用いた物理ベースの TRU 貨物箱モデルの予測精度を向上させるか？
• RQ2 出力マスキング、感度解析、および符号的回帰は、コンパクトで解釈可能な補正項を生み出すか？
• RQ3 エンジニアインザループの意思決定はモデル修正の受理においてどのような役割を果たすか？
• RQ4 このアプローチは未見の多ゾーン貨物箱の構成にどれほど一般化できるか？
• RQ5 TRUデータセット上で達成できるパフォーマンス向上（例：ロスの低減）はどの程度か？

主な発見

• Dyad UDE モデルは未見の TRU 構成に対して予測性能の向上を示し、テストデータでのロスが約3%改善された。
• 多くのニューラルネット補正はごく小さく、精度を保ちながら2出力補正へ縮小可能であった。
• 符号的回帰はゾーン構成パラメータに依存する補正のパラメータ化表現を与え、一般化性を高めた。
• エンジニアインザループのワークフローにより、提案された変更を各段階で利用者が受理または却下できる。
• 本手法は物理ベースのモデルをデータ駆動項で補強する道筋を、管理可能で監査可能な方法で示す。

Figure 2: Prediction by a trained Dyad UDE on an unseen dataset, yielding a 3% improvement in the loss function.