コンテキスト内の非線形システムの学習：人工データから実世界のモーター制御へ

arXiv:2602.07173v1 Announce Type: new 摘要: LLM はコンテキスト内学習 (ICL) 能力で優れているが、信号処理システムにはまだ適用されていません。その設計に触発され、私たちは初めて、古典的な PI 制御や物理学に基づく方法が非線形性や複雑な負荷条件で課題を抱えるという重要なタスクにおいて、トランスフォーマーモデルを用いた ICL を提案しました。信号表現をシステム挙動と分離したトランスフォーマーに基づくモデルアーキテクチャを提案し、少数ショットファインチューニングとワンショット ICL を可能にしました。大規模な人工的な線形・非線形システムコーパスで事前学習させたこのモデルは、たった数例でのみ、現実世界のモーターの未見されたシステムダイナミクスに一般化できるよう学習しました。実験では、当アプローチは複数のモーター負荷構成を跨いで一般化し、未チューニングの例を正確なフィードフォワード予測に変換し、PI コントローラーや物理学に基づくフィードフォワード基準を凌駕しました。これらの結果は、ICL が人工的な事前学習と実世界の適応性を架け橋できることを示し、物理システムのためのデータ効率的制御の新しい道を開きました。

arXiv:2602.07173v1 Announce Type: new Abstract: LLMs have shown strong in-context learning (ICL) abilities, but have not yet been extended to signal processing systems. Inspired by their design, we have proposed for the first time ICL using transformer models applicable to motor feedforward control, a critical task where classical PI and physics-based methods struggle with nonlinearities and complex load conditions. We propose a transformer based model architecture that separates signal representation from system behavior, enabling both few-shot finetuning and one-shot ICL. Pretrained on a large corpus of synthetic linear and nonlinear systems, the model learns to generalize to unseen system dynamics of real-world motors only with a handful of examples. In experiments, our approach generalizes across multiple motor load configurations, transforms untuned examples into accurate feedforward predictions, and outperforms PI controllers and physics-based feedforward baselines. These results demonstrate that ICL can bridge synthetic pretraining and real-world adaptability, opening new directions for data efficient control of physical systems.