Redes Embebidas en Física: Mejorando la Convergencia y Precisión de Redes Neuronales Informadas por la Física para...

Área de la Ciencia:

• Robótica
• Inteligencia Artificial
• Sistemas de Control

Sus antecedentes:

• Las redes neuronales clásicas informadas por la física (PINN) ofrecen interpretabilidad y eficiencia de datos al integrar leyes físicas.
• Sin embargo, las PINN a menudo enfrentan desafíos con la convergencia y la sensibilidad a la inicialización y las funciones de activación.
• El servovisualización multirrotor requiere estrategias de control robustas y eficientes.

Objetivo del estudio:

• Introducir arquitecturas novedosas de redes neuronales embebidas en física (PENN) para mejorar el servovisualización en multirrotores.
• Abordar las limitaciones de las PINN clásicas, específicamente la mala convergencia y la sensibilidad.
• Mejorar la eficiencia del entrenamiento y la precisión predictiva en el control basado en aprendizaje.

Principales métodos:

• Se propusieron dos arquitecturas mejoradas: PENN a nivel de capa (L-PENN) y PENN a nivel de neurona (N-PENN).
• Se embebieron dinámicas físicas nominales directamente en la estructura de la red neuronal.
• Se realizó un análisis espectral de la matriz Hessiana para demostrar propiedades de convergencia mejoradas.
• Se validó experimentalmente en una plataforma multirrotor para una tarea de servovisualización.

Principales resultados:

• L-PENN y N-PENN demostraron un comportamiento de convergencia significativamente mejorado en comparación con las PINN tradicionales.
• La validación experimental mostró un rendimiento de seguimiento superior y un tiempo de entrenamiento reducido.
• Las arquitecturas PENN propuestas superaron a las PINN clásicas y otras estrategias de control basadas en aprendizaje.
• Los resultados comparativos confirmaron la efectividad de las arquitecturas novedosas.

Conclusiones:

• Las redes neuronales embebidas en física (PENN), específicamente L-PENN y N-PENN, ofrecen mejoras sustanciales sobre las PINN clásicas para el servovisualización multirrotor.
• La incorporación directa de dinámicas físicas mejora tanto la eficiencia del entrenamiento como la precisión predictiva.
• Se proporcionan criterios de selección para L-PENN y N-PENN basados en las necesidades específicas de la aplicación.