物理制約付き深層学習
要約済み 1
-
arxiv-cs-ai 2日前 3物理制約DLで太陽光発電予測が大幅向上Thermodynamic Liquid Manifold Networks: Physics-Bounded Deep Learning for Solar Forecasting in Autonomous Off-Grid Microgrids
自律型オフグリッドPVシステム向けに物理制約を組み込んだ深層学習モデルが発表された。 クーマン線形化とリーマン多様体で22の気象変数を処理し、夜間発電予測の物理的矛盾を排除。 再生可能エネルギーのマイクログリッド管理における予測精度向上への貢献が期待される。
解説 本論文は、系統電力に依存しない自律型オフグリッド太陽光発電（PV）システムのための太陽放射予測モデル「熱力学液体多様体ネットワーク（TLMN）」を提案する。従来の深層学習モデルが抱える2つの重大欠陥、すなわち（1）雲通過時の予測値が実測値より時間的にずれる「時間位相遅延」と（2）夜間に発電量が正値になるという物理的にあり得ない予測、を同時に解決することが目的である。手法の核心は、22種の気象・幾何変数をクーマン演算子を用いてリーマン多様体上で線形化すること。非線形な気候ダイナミクスを線形空間に写像することで複雑な気候変動パターンの系統的な追跡が可能になる。アーキテクチャには2つの主要コンポーネントがあり、スペクトル校正ユニットが周波数領域での大気透過率を補正し、乗算的な熱力学アルファゲートがリアルタイムの大気不透明度と理論クリアスカイモデルを統合して天体力学的な物理制約を構造レベルで強制する。これにより位相遅延と夜間誤予測が原理的に発生しない設計となっている。既存のGPT系やTransformerベースの汎用予測モデルとの直接比較は抜粋内に記載はないが、物理法則を構造的に内包する点でエネルギー分野への実用展開において優位性がある。特に災害時・遠隔地のオフグリッド電力管理システムへの応用が期待される。