高忠実度BLDCモータモデリングのための残差物理情報ニューラルネットワーク
本論文では、深層残差ネットワーク（ResNet）をバックボーンとする物理情報ニューラルネットワーク（PINN）を提案し、ブラシレスDC（BLDC）モータの連続時間六状態ダイナミクスを学習する。ネットワークはシミュレーション時間、三相電圧、励磁パラメータを入力とし、回転子角度、角速度、三相電流、巻線温度を直接予測するとともに、複合物理データ損失を通じて支配的な電気機械および熱ODEを満たす。カリキュラムスケジューリング戦略により物理ペナルティを段階的に活性化し、早期収束を防止する。標準CPUでのトレーニングは2分未満。推論レイテンシは0.1～22μsで、従来のODEソルバーより最大118倍高速であり、リアルタイム観測および制御応用に適している。
ロボット関節制御において、ブラシレスDC（BLDC）モータの正確なダイナミクスモデリングは高性能な運動制御の基盤である。しかし、従来の物理方程式に基づくモデリング手法は計算コストが高く、リアルタイム性を満たすのが困難である。最近、arXivに投稿された論文（番号2607.09136）は、残差物理情報ニューラルネットワーク（Residual Physics-Informed Neural Network, PINN）を用いた手法を提案し、高忠実度のBLDCモータ動的シミュレーションを実現するとともに、推論遅延を2桁削減した。
本モデルは、深層残差ネットワーク（ResNet）をバックボーンとしている。ResNetはスキップ接続により深層ネットワークでの勾配消失問題を緩和し、より複雑なマッピングを学習可能にする。ネットワークの入力は、シミュレーション時間、印加三相電圧、励磁パラメータであり、出力はモータの全六状態変数（回転子角度、角速度、三相電流、巻線温度）を直接予測する。このエンドツーエンドの設計により、従来のように複数の微分方程式を個別に解く手間を省くことができる。
データ適合と物理法則を同時に満たすために、複合損失関数が設計された。この損失関数は、ネットワーク予測とシミュレーションデータの平均二乗誤差と、モータ動作時に従うべき電気機械および熱力学常微分方程式（ODE）の残差の二つから構成される。しかし、訓練初期に物理制約が強すぎるとモデルが局所最適に早期収束する恐れがある。そこで、カリキュラムスケジューリング戦略を導入し、最初はデータから基本的なパターンを学習させ、その後徐々に物理ペナルティ項の重みを増加させることで、後期に物理法則をよりよく遵守させる。この戦略により、訓練の安定性と最終モデルの精度が大幅に向上した。
実験結果によれば、このPINNは標準CPU上で2分未満の訓練時間を達成した。訓練後、1回の推論遅延はわずか0.1～22マイクロ秒であり、従来のODEソルバーよりも少なくとも118倍高速である。この性能により、ロボット関節の高速フィードバック制御や状態推定などのリアルタイム観測・制御アプリケーションに非常に適している。著者のHaitham El-HussienyはIEEEメンバーであり、本研究はロボット工学の分野に高効率で正確なモータモデリングの新たな道を拓くものである。