arXiv cs.AI· Shivanshu Tripathi, Maziar Raissi·· 12 小时前AI 评分31
Hybrid-time PINNs：面向混合动力系统的跳变感知物理信息神经网络
Hybrid-time PINNs: Discontinuity-Aware Physics-Informed Neural Networks for Learning Hybrid Dynamical Systems
AI 导读
研究者提出 hybrid-time PINNs（HT-PINNs），为混合时间域的每个连续流区间各分配一个网络，并与跳变时刻、未知参数联合训练，从而建模混合动力系统中的离散跳变。该方法通过枚举确定跳变次数与模态序列，在弹跳球案例中恢复了跳变次数与恢复系数；在 MuJoCo 机器人拆解仿真中，以 0.1% 和 1.7% 的小误差估计出静摩擦与动摩擦系数。
正文 · AI 翻译
摘要：混合动力系统连续流动，但在离散事件处发生跳变。物理信息神经网络（PINNs）在拟合数据的同时施加已知动力学约束，但单个网络在时间上是平滑的，无法对这些跳变进行建模。我们证明，PINN 越紧密地跟随跳变，其物理损失必然越大。我们提出混合时间 PINNs（HT-PINNs），它为混合时间域的每个流动区间分配一个网络，并将这些网络与跳变时间和未知参数联合训练。跳变次数和模态序列通过枚举找到。HT-PINNs 恢复了弹跳球的跳变次数和恢复系数。在机器人拆解的 MuJoCo 仿真中，机器人通过弹簧将压配合销从壳体中拉出，HT-PINNs 找到了跳变次数和模态序列，并以 0.1% 和 1.7% 的小误差估计了静摩擦系数和动摩擦系数。
| 主题： | 系统与控制（eess.SY）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.33562 [eess.SY] |
| （或 arXiv:2610.33562v1 [eess.SY] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.33562 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Shivanshu Tripathi [查看电子邮件]
[v1]
2026年10月24日星期六 09:29:58 UTC（533 KB）
来源：arXiv cs.AI · arxiv.org