本研究では、物理情報ニューラルネットワーク（PINNs）を利用したアンサンブルベースの閉ループ最適制御のフレームワークを提案します。制御システムの設計目的は、動的システムを制御信号で操り、所望の挙動を示させることです。ハミルトン-ヤコビ-ベルマン（HJB）偏微分方程式は最適制御システム設計の枠組みを提供しますが、その数値解法は計算負荷が高く、解析的解法が得られないことも多いです。PINNsのような知識誘導型機械学習手法は、HJB方程式を数値的に解く際の課題を軽減する新しい手法を提供しています。この研究では、HJB方程式を通じて最適コストから最適制御信号を学ぶための多段階アンサンブルフレームワークを発表し、従来のPINNベースのアプローチとは異なり、安定化項を使用せずに非線形システムの制御を実現しています。実験結果では、無限の時間ホライズンを持つ二状態連続非線形システムに対して、アンサンブル制御及び単一制御による成功した閉ループ制御が示されています。