Aug, 2022

物理学启示的深度学习方法用于胶体自组装的最小努力随机控制

PDF
TL;DR本文提出了一种在状态概率密度函数空间中为胶体自组装制定有限时域随机最优控制问题的方法，并通过训练物理信息深度神经网络确定最优控制策略，其中物理信息是导出的最优性条件。
finite-horizon stochastic optimal controlcolloidal self-assemblyprobability density functionsschrödinger bridge problemdeep neural network
发现论文，激发创造
  • 基于 Sinkhorn Losses 的神经 Schrödinger Bridge：应用于胶体自组装的数据驱动最小努力控制

    通过神经网络的新进展，我们提出了一个名为 ' 神经 Schrödinger 桥 ' 的数据驱动学习和控制框架，以解决胶体自组装的一类广义 Schrödinger 桥问题，通过学习受控漂移和扩散系数，我们在分布终点约束下训练了第三个网络，并以胶体自组装的数值案例研究证明了所提出框架的有效性。

    Jul, 2023

  • 用确定性粒子流约束随机非线性系统

    提出了一种非迭代的方法，从一个相互作用粒子逼近的对数梯度中估计必要的控制，用于扰动非线性系统的最优干预。

    Dec, 2021

  • 随机控制问题的深度学习逼近

    通过蒙特卡洛采样的深度学习方法，将高维随机控制问题的时间依赖控制近似为前馈神经网络，用作控制问题的目标函数，经测试，该方法可以处理高维度问题并且具有令人满意的准确性。

    Nov, 2016

  • 随机热力学中的最优有限时间过程

    通过外部控制参数的最优协议来使用积分微分方程等方式从一个平衡态到达另一个平衡态需要的平均工作量最小化的研究。

    Jan, 2007

  • 深度学习中产生的受控粒子系统的收敛性分析：从有限样本到无限样本大小

    该文研究了一类神经随机微分方程的极限行为，推导出一种关于神经随机微分方程的最优控制问题的汉密尔顿 - 雅可比 - 贝尔曼方程，通过分析反向随机黎卡蒂方程得出一种统一的正则估计结果，利用这些正则估计结果展示了目标函数极小值和神经随机微分方程的最优参数在样本大小趋于无穷的情况下的收敛性，而极限对象可以通过定义在波雷尔概率测度的 Wasserstein 空间上的适当函数来确定，并获得定量代数收敛速度。

    Apr, 2024

  • 限制随机微分方程的确定性粒子流

    本篇论文介绍了一种在求数值解过程中随机采样和网格方法之间插值的新型完全确定性框架，它在用对数梯度（分数）计算二个向前概率流的基础上，利用确定性粒子方法求解 Fokker-Planck 方程，计算所需的最佳干预。

    Oct, 2021

  • 使用前向 - 后向 SDE 学习深度随机最优控制策略

    本文提出了一种基于非线性随机最优控制理论、应用数学和机器学习的不确定性决策制定新方法。我们开展了一项控制框架的研究，旨在解决机器人和自主决策问题中的不确定性，并提出了一种深度神经网络架构用于随机控制。在仿真非线性系统中，我们研究了所提算法的性能和可扩展性，并讨论了未来的研究方向及其对机器人技术的影响。

    Feb, 2019

  • 通过强化学习动态控制准晶结构的自组装

    我们提出了强化学习来控制补丁颗粒的动力自组装十二边形准晶体（DDQC）。研究发现，通过训练温度控制的最佳策略，我们能够使用估计的策略生成缺陷较少的 DDQC。与传统的固定温度表如退火等相比，通过强化学习获得的温度计划能更高效地复现所需的结构。同时，我们发现强化学习能够自主地发现结构波动增强实现全局稳态的临界温度。估计的策略引导系统朝向临界温度以促进 DDQC 的形成。

    Sep, 2023

  • 基于非高斯不确定性的随机非线性机器人系统控制最小化

    该论文提出了一种针对非线性机器人系统中存在的概率不确定性和干扰的闭环控制问题的解决方案，并将控制器设计问题作为概率分布的统计量的优化问题来处理，以此来降低跟踪偏差，并通过与现有的概率控制方法的比较来证明其性能。

    Mar, 2023

  • 多体量子系统动力学的最优控制技术

    该研究提出了一种有效的策略来控制量子多体一维非可积系统，可以与密度矩阵重整化群等张量网络模拟方法相结合，通过该策略可以把超流体气体转化为莫特绝缘体的时间缩短两个数量级，并减少缺陷。最后，研究表明最优脉冲对原子数的波动具有鲁棒性。

    Mar, 2010