МоделированиеНобелевскую премию по экономике 2026 года присудили за макроэкономические исследованияNaked Science · вчераМоделированиеA Multi-Agent LLM System for Automated Tuning of Specialized Neural Network ModelsarXiv — Multiagent Systems (cs.MA) · вчераМоделированиеMinimum Bounding Sets for N-1-1 Branch Contingencies Under Thermal and Voltage Limits in Linear Network ModelsarXiv — Systems and Control (eess.SY) · вчераЭнергетикаSecFD-FL: Frequency-Decoupled Federated Learning with Secure Aggregation for Charging Load Forecasting in Internet of Electric VehiclesarXiv — Systems and Control (eess.SY) · вчераПрогнозированиеA Fully Analog Implementation of Model Predictive Control with Application to Buck ConvertersarXiv — Systems and Control (eess.SY) · вчераПрогнозированиеKoopman-Based Nonlinear Identification and Model Predictive Control of a Turbofan EnginearXiv — Systems and Control (eess.SY) · вчераЦифровой двойникВ Северной Осетии внедряют цифровой двойник Владикавказа и умные камерыTechora.ru · вчераМоделированиеАгентный поиск на open-source моделях: кого нашёл, сколько потратил и где всё сломалосьХабр · вчераЦифровой двойникA Ray-Traced Digital Twin for 5G NR Positioning with OpenAirInterfacearXiv API — полнотекстовый поиск "digital twin" · 4 днЦифровой двойникDigital Twin for Pre-Deployment Validation of AI-Driven Safety-Critical Industrial Edge Control LoopsarXiv API — полнотекстовый поиск "digital twin" · 4 днЦифровой двойникLeveraging Human-In-The-Loop Demonstrations in Reinforcement Learning for Digital Twin-Driven Robot FlexibilityarXiv API — полнотекстовый поиск "digital twin" · 4 днЦифровой двойникLIVIN: Benchmarking Spatial and Embodied Intelligence in Digital Twins of Lived-In HomesarXiv API — полнотекстовый поиск "digital twin" · 4 дн

Все новости

Связаться с нами

Physics-Informed Neural Network Surrogates with Polynomial Chaos-Based Uncertainty Propagation for Stochastic Model Predictive Control

США и Запад · 22 сент.

arXiv:2609.23077v1 Announce Type: new Abstract: Stochastic partial differential equations (PDEs) govern critical engineering and geophysical systems but are challenging to use for real-time control under parametric uncertainty.

Заголовок оригинала: Physics-Informed Neural Network Surrogates with Polynomial Chaos-Based Uncertainty Propagation for Stochastic Model Predictive Control

Читать первоисточник: arXiv — Systems and Control (eess.SY)

Перевод и краткое изложение — машинные, по материалам источника. Полный текст статьи не републикуется; права на него принадлежат источнику.