NeuralFMU：提出一种将混合NeuralODE集成到实际应用的工作流
机器学习
2022-09-09 v1
摘要
NeuralODE一词描述人工神经网络(ANN)与常微分方程(ODE)数值求解器的结构化组合，前者作为待解ODE的右端项。该概念进一步通过功能模型单元(FMU)形式的黑箱模型扩展，得到NeuralODE的一个子类，称为NeuralFMU。所得结构在单一仿真模型中兼具第一性原理与数据驱动建模方法的优势：相较传统第一性原理模型(FPM)具有更高预测精度，同时相较纯数据驱动模型训练代价更低。我们提出一种直观的工作流来建立并使用NeuralFMU，实现从常用建模工具导出的既有常规模型的封装与复用。此外，我们基于车辆纵向动力学模型(VLDM)部署一个NeuralFMU用于消耗仿真，以此例证该概念，这是汽车工业中的典型用例。本文处理了科学用例中常被忽视的相关挑战，如真实测量(例如噪声)、未知系统状态或高频不连续性。为构建预测质量高于原始FPM的混合模型，我们简要介绍两个开源库：用于将FMU集成到Julia编程环境的FMI.jl，以及该库的扩展FMIFlux.jl，其允许将FMU集成到神经网络拓扑中从而最终获得NeuralFMU。
引用
@article{arxiv.2209.03933,
title = {NeuralFMU: Presenting a workflow for integrating hybrid NeuralODEs into real world applications},
author = {Tobias Thummerer and Johannes Stoljar and Lars Mikelsons},
journal= {arXiv preprint arXiv:2209.03933},
year = {2022}
}