論文の概要: Transfer Learning as an Enabler of the Intelligent Digital Twin
- arxiv url: http://arxiv.org/abs/2012.01913v1
- Date: Thu, 3 Dec 2020 13:51:05 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-23 14:48:54.027033
- Title: Transfer Learning as an Enabler of the Intelligent Digital Twin
- Title（参考訳）: 知的ディジタルツインの実現手段としてのトランスファーラーニング
- Authors: Benjamin Maschler, Dominik Braun, Nasser Jazdi, Michael Weyrich
- Abstract要約: デジタルツインは、仮想コミッショニング、障害予測、再構成計画など、多くの分野で有益であると説明されてきた。
本稿では,知的デジタルツインを用いた多段階産業移行学習のユースケースについて述べる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Digital Twins have been described as beneficial in many areas, such as
virtual commissioning, fault prediction or reconfiguration planning. Equipping
Digital Twins with artificial intelligence functionalities can greatly expand
those beneficial applications or open up altogether new areas of application,
among them cross-phase industrial transfer learning. In the context of machine
learning, transfer learning represents a set of approaches that enhance
learning new tasks based upon previously acquired knowledge. Here, knowledge is
transferred from one lifecycle phase to another in order to reduce the amount
of data or time needed to train a machine learning algorithm. Looking at common
challenges in developing and deploying industrial machinery with deep learning
functionalities, embracing this concept would offer several advantages: Using
an intelligent Digital Twin, learning algorithms can be designed, configured
and tested in the design phase before the physical system exists and real data
can be collected. Once real data becomes available, the algorithms must merely
be fine-tuned, significantly speeding up commissioning and reducing the
probability of costly modifications. Furthermore, using the Digital Twin's
simulation capabilities virtually injecting rare faults in order to train an
algorithm's response or using reinforcement learning, e.g. to teach a robot,
become practically feasible. This article presents several cross-phase
industrial transfer learning use cases utilizing intelligent Digital Twins. A
real cyber physical production system consisting of an automated welding
machine and an automated guided vehicle equipped with a robot arm is used to
illustrate the respective benefits.
- Abstract（参考訳）: デジタル双子は、仮想コミッション、障害予測、再構成計画など、多くの分野で有益であると説明されている。
人工知能機能を備えたDigital Twinsの買収は、これらの有益なアプリケーションを大きく拡大したり、全く新しい分野のアプリケーションを開くことができる。
機械学習の文脈では、トランスファーラーニングは、以前に獲得した知識に基づいて新しいタスクを学習するための一連のアプローチである。
ここでは、機械学習アルゴリズムのトレーニングに必要なデータや時間を減らすために、知識をライフサイクルフェーズから別のフェーズに転送する。
インテリジェントなデジタルツインを使用すると、学習アルゴリズムは物理システムが存在する前に設計フェーズで設計、構成、テストされ、実際のデータが収集できます。
実際のデータが利用可能になったら、アルゴリズムは単に微調整されなければならず、コミッショニングが大幅にスピードアップし、コストのかかる修正の可能性が低下する。
さらに、Digital Twinのシミュレーション機能を使用することで、アルゴリズムの応答をトレーニングしたり、強化学習を使用するために、稀な障害を事実上注入する。
ロボットを教えることで 現実的に実現できます
本稿では,知的デジタルツインを用いた多段階産業移行学習のユースケースについて述べる。
ロボットアームを備えた自動溶接機と自動誘導車両とからなる実際のサイバー物理生産システムを用いて、それぞれの利点を説明する。
関連論文リスト
- From Digital Twins to Digital Twin Prototypes: Concepts, Formalization,
and Applications [55.57032418885258]
デジタル双対とは何かという合意的な定義は存在しない。
我々のデジタルツインプロトタイプ(DTP)アプローチは、組み込みソフトウェアシステムの開発と自動テストにおいて、エンジニアを支援します。
論文 参考訳（メタデータ） (2024-01-15T22:13:48Z) - Random resistive memory-based deep extreme point learning machine for
unified visual processing [67.51600474104171]
ハードウェア・ソフトウェア共同設計型, ランダム抵抗型メモリベース深部極点学習マシン(DEPLM)を提案する。
我々の共同設計システムは,従来のシステムと比較して,エネルギー効率の大幅な向上とトレーニングコストの削減を実現している。
論文 参考訳（メタデータ） (2023-12-14T09:46:16Z) - Robot Fine-Tuning Made Easy: Pre-Training Rewards and Policies for
Autonomous Real-World Reinforcement Learning [58.3994826169858]
ロボット強化学習のためのリセット不要な微調整システムであるRoboFuMEを紹介する。
我々の洞察は、オフラインの強化学習技術を利用して、事前訓練されたポリシーの効率的なオンライン微調整を確保することである。
提案手法では,既存のロボットデータセットからのデータを組み込んで,目標タスクを3時間以内の自律現実体験で改善することができる。
論文 参考訳（メタデータ） (2023-10-23T17:50:08Z) - Hindsight States: Blending Sim and Real Task Elements for Efficient
Reinforcement Learning [61.3506230781327]
ロボット工学では、第一原理から導かれた力学モデルに基づくシミュレーションに基づいて、トレーニングデータを生成する方法がある。
ここでは、力学の複雑さの不均衡を利用して、より標本効率のよい学習を行う。
提案手法をいくつかの課題に対して検証し,既存の近視アルゴリズムと組み合わせた場合の学習改善を実証する。
論文 参考訳（メタデータ） (2023-03-03T21:55:04Z) - Machine Learning for QoS Prediction in Vehicular Communication:
Challenges and Solution Approaches [46.52224306624461]
最大スループット予測の強化,例えばストリーミングや高精細マッピングアプリケーションについて検討する。
収集したデータの基盤となる特性をよりよく理解することで、マシンラーニング技術上に信頼性を構築することができるかを強調します。
我々は、説明可能なAIを使用して、機械学習が明示的にプログラムされることなく、無線ネットワークの基本原理を学習できることを示す。
論文 参考訳（メタデータ） (2023-02-23T12:29:20Z) - Sim2real Transfer Learning for Point Cloud Segmentation: An Industrial
Application Case on Autonomous Disassembly [55.41644538483948]
我々は,点クラウドデータにsim2realTransfer Learningを用いた産業アプリケーションケースを提案する。
合成ポイントクラウドデータの生成と処理方法に関する洞察を提供する。
この問題に対処するために、パッチベースの新しいアテンションネットワークも提案されている。
論文 参考訳（メタデータ） (2023-01-12T14:00:37Z) - Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。
本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文 参考訳（メタデータ） (2022-09-05T16:48:34Z) - The Digital Twin Landscape at the Crossroads of Predictive Maintenance,
Machine Learning and Physics Based Modeling [14.781000287006755]
デジタルツイン」という用語の歴史と、製品ライフサイクル管理、資産維持、機器艦隊管理、運用、計画の分野での当初の文脈を探求する。
デジタルツインフレームワークの適用は、予測保守の分野において強調され、その拡張は機械学習と物理に基づくモデリングを活用している。
論文 参考訳（メタデータ） (2022-06-21T15:17:10Z) - Empirically Measuring Transfer Distance for System Design and Operation [2.9864637081333085]
転送学習アルゴリズムには、学習すべき例がほとんどないことを示す。
本稿では, 転送可能な予測モデルを実現するために, マシン再構築手順の設計における転送距離の利用を検討する。
実践者は、コンポーネント学習システムで直面する学習理論上の課題を考慮したシステムの設計と運用に、提示された方法論を利用することができる。
論文 参考訳（メタデータ） (2021-07-02T16:45:58Z) - Deep Transfer Learning for Industrial Automation: A Review and
Discussion of New Techniques for Data-Driven Machine Learning [0.0]
本稿では,トランスファーと継続学習の概念を紹介する。
本稿では,両アルゴリズムの手法を応用した産業的深層移動学習への有望なアプローチを明らかにする。
論文 参考訳（メタデータ） (2020-12-06T15:58:22Z) - Two Applications of Deep Learning in the Physical Layer of Communication
Systems [0.0]
ディープラーニングは、データ駆動信号処理アルゴリズムを開発するための強力なツールであることが証明されている。
入力信号の重要な特徴と特徴を学習することで、学習アルゴリズムは多くの人造アルゴリズムを破ることができる。
論文 参考訳（メタデータ） (2020-01-10T08:52:34Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。