“sistem tanımlama” için sonuçlar
4 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
L2RU: Yapay Zeka Modellerinde Kararlılık Sorunu Çözüme Kavuştu
Araştırmacılar, uzun veri dizilerini işlemede kullanılan yapısal durum-uzay modellerinin (SSM) en büyük sorunu olan kararlılık ve dayanıklılık eksikliğini çözen yeni bir mimari geliştirdi. L2RU adındaki bu yenilik, makine öğrenimi ile kontrol teorisini birleştirerek, tüm parametre değerlerinde matematiksel olarak garantili kararlılık sağlıyor. Geleneksel yapay sinir ağlarının ifade gücünü koruyan bu yaklaşım, aynı zamanda dinamik sistemlerin yorumlanabilirlik avantajlarını da sunuyor. Sistem tanımlama ve optimal kontrol gibi kritik uygulamalarda güvenilir çözümler üretebilen model, hesaplama verimliliğini de koruyor. Bu gelişme, özellikle otonom sistemler ve endüstriyel kontrol uygulamalarında güvenilirlik gerektiren alanlarda çığır açıcı olabilir.
Havacılıkta Hafıza Problemi: Viskoz Olmayan Akışlar Sistem Modellemesini Zorluyor
Araştırmacılar, havacılık mühendisliğinde kullanılan sistem tanımlama yöntemlerinin kritik bir sınırla karşılaştığını keşfetti. İki boyutlu viskoz olmayan (Euler) denklemlerinin impulse yanıtı, t^-3/2 güç yasası ile azalma gösteriyor ve bu durum sistem hafızasının kaybolmamasına neden oluyor. Bu davranış, moment yakınsama için kritik bir sınır oluşturuyor: ikinci zamansal moment logaritmik olarak diverjans gösteriyor. Sonuç olarak, karakteristik hafıza süresi gözlem penceresi T ile √(ln T) orantılı büyüyor. Bu keşif, havacılık sistemlerinin dinamik modellemesinde kullanılan sonlu boyutlu modellerin, gerçek akış fiziğinden ziyade gözlem süresini parametrize ettiğini gösteriyor. Çalışma, bu sorunu ölçmek için νt(T) adında yeni bir tanı aracı geliştirdi.
Gürültüden Bilgiye: Yapay Periyodik Sistemlerle Belirsizlik Modellemesi
MIT araştırmacıları, kontrol sistemlerinin tasarımında kritik olan belirsizlik modellemesi için yenilikçi bir yöntem geliştirdi. Geleneksel yöntemler, güvenilir kontrol sistemleri tasarlamak için çoklu deneyler veya önceden belirlenmiş yapısal varsayımlar gerektirirken, yeni yaklaşım tek bir deneyle bu sorunu çözüyor. Sistem tanımlama sürecinde yapay periyodiklik oluşturarak, gürültünün neden olduğu parametre dalgalanmalarını sistematik belirsizlik temsillerine dönüştürüyor. Bu yöntem, özellikle havacılık, robotik ve endüstriyel otomasyon gibi alanlarda güvenilir kontrol sistemleri geliştirmek için önemli avantajlar sunuyor.
Robotlara Öğrenmeyi Öğreten Yapay Zeka: Diffusion Modelleri ile Dinamik Adaptasyon
Araştırmacılar, robotların farklı ortamlarda hızla adapte olabilmesi için yeni bir yapay zeka yaklaşımı geliştirdi. Sistem tanımlama problemini 'bağlamsal meta-öğrenme' olarak ele alan çalışma, diffusion modellerini kullanarak robotların dinamik davranışlarını tahmin etmeyi amaçlıyor. Geleneksel Transformer tabanlı deterministik modellere karşı iki farklı diffusion yaklaşımı test edildi: girdi-gözlem dağılımını öğrenen 'inpainting diffusion' ve kontrol girdilerine dayalı gelecek gözlemleri üreten 'koşullu diffusion modelleri'. Geniş çaplı simülasyonlar, diffusion modellerinin özellikle dağılım dışı koşullarda daha güçlü performans sergilediğini gösterdi. Bu gelişme, robotların bilinmeyen ortamlarda daha esnek ve güvenilir davranabilmesi için önemli bir adım.