Fugu-MT 論文翻訳(概要): Gym-ANM: Open-source software to leverage reinforcement learning for power system management in research and education

論文の概要: Gym-ANM: Open-source software to leverage reinforcement learning for power system management in research and education

arxiv url: http://arxiv.org/abs/2105.08846v1
Date: Tue, 18 May 2021 22:10:43 GMT
ステータス: 処理完了
システム内更新日: 2021-05-20 23:02:30.939560
Title: Gym-ANM: Open-source software to leverage reinforcement learning for power system management in research and education
Title（参考訳）: Gym-ANM:研究開発における電力系統管理のための強化学習を活用したオープンソースソフトウェア
Authors: Robin Henry and Damien Ernst
Abstract要約: Gym-ANMは強化学習環境の設計を容易にするPythonパッケージである。我々は、新しい環境の実装方法と既存の環境と対話するコードを書く方法を説明する。我々は,Gym-ANMが科学コミュニティに与える影響について論じる。
参考スコア（独自算出の注目度）: 1.370633147306388
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Gym-ANM is a Python package that facilitates the design of reinforcement learning (RL) environments that model active network management (ANM) tasks in electricity networks. Here, we describe how to implement new environments and how to write code to interact with pre-existing ones. We also provide an overview of ANM6-Easy, an environment designed to highlight common ANM challenges. Finally, we discuss the potential impact of Gym-ANM on the scientific community, both in terms of research and education. We hope this package will facilitate collaboration between the power system and RL communities in the search for algorithms to control future energy systems.
Abstract（参考訳）: Gym-ANMは、電気ネットワークにおけるアクティブネットワーク管理(ANM)タスクをモデル化する強化学習(RL)環境の設計を容易にするPythonパッケージである。ここでは、新しい環境の実装方法と、既存の環境と相互作用するコードを書く方法を説明する。また、ANM6-Easyは、一般的なANM課題を強調するために設計された環境である。最後に,sm-anmが科学コミュニティに与える影響について,研究と教育の両面で検討する。このパッケージは、将来のエネルギーシステムを制御するアルゴリズムの探索において、電力システムとRLコミュニティの協力を促進することを願っている。

関連論文リスト

Can Large-Language Models Help us Better Understand and Teach the Development of Energy-Efficient Software? [2.8812501020074968]
エネルギー効率のよいソフトウェア工学の技術は、しばしば学部のカリキュラムから欠落している。本稿では,エネルギー効率のよいソフトウェアのための学習用モジュールの開発について提案する。
論文参考訳（メタデータ） (2024-10-30T01:09:32Z)
Gymnasium: A Standard Interface for Reinforcement Learning Environments [5.7144222327514616]
強化学習(Reinforcement Learning、RL)は、人工知能の多くの領域に革命をもたらす可能性がある成長分野である。その約束にもかかわらず、RLの研究は環境やアルゴリズムの実装における標準化の欠如によってしばしば妨げられている。 Gymnasiumはオープンソースのライブラリで、RL環境の標準APIを提供する。
論文参考訳（メタデータ） (2024-07-24T06:35:05Z)
Foundation Models for the Electric Power Grid [53.02072064670517]
ファンデーションモデル(FM)がニュースの見出しを支配している。多様なグリッドデータやトポロジからFMを学習することで、トランスフォーメーション能力が解放されるのではないか、と私たちは主張する。本稿では,グラフニューラルネットワークに基づく電力グリッドFMの概念,すなわちGridFMについて論じる。
論文参考訳（メタデータ） (2024-07-12T17:09:47Z)
Aquatic Navigation: A Challenging Benchmark for Deep Reinforcement Learning [53.3760591018817]
ゲームエンジンとDeep Reinforcement Learningの統合の最近の進歩を利用して,水上ナビゲーションのための新しいベンチマーク環境を提案する。具体的には、最も広く受け入れられているアルゴリズムの一つであるPPOに着目し、先進的なトレーニング手法を提案する。実験により,これらの成分をうまく組み合わせることで,有望な結果が得られることが示された。
論文参考訳（メタデータ） (2024-05-30T23:20:23Z)
The Role of Federated Learning in a Wireless World with Foundation Models [59.8129893837421]
ファンデーションモデル(FM)は汎用人工知能(AI)モデルである。現在、FMと連邦学習(FL)の相互作用の探索はまだ初期段階にある。本稿では、FMが無線ネットワークよりもFLに適した範囲について検討し、その研究課題と機会について概観する。
論文参考訳（メタデータ） (2023-10-06T04:13:10Z)
Gym-preCICE: Reinforcement Learning Environments for Active Flow Control [0.0]
Gym-preCICEはPythonのアダプタで、Gymnasium (以前はOpenAI Gymとして知られていた) APIに完全に準拠している。 Gym-preCICEは、分割多重物理シミュレーションのためのオープンソースの結合ライブラリであるPreCICEを利用する。このフレームワークは、リアルな物理ベースのシミュレーションツールボックスとRLアルゴリズムをシームレスに統合する。
論文参考訳（メタデータ） (2023-05-03T10:54:56Z)
DIAMBRA Arena: a New Reinforcement Learning Platform for Research and Experimentation [91.3755431537592]
本研究は、強化学習研究と実験のための新しいプラットフォームであるDIAMBRA Arenaを提示する。高品質な環境のコレクションが,OpenAI Gym標準に完全に準拠したPython APIを公開している。これらは、離散的なアクションと観測を生のピクセルと追加の数値で構成したエピソディックなタスクである。
論文参考訳（メタデータ） (2022-10-19T14:39:10Z)
pymdp: A Python library for active inference in discrete state spaces [52.85819390191516]
pymdpはPythonでアクティブな推論をシミュレートするオープンソースパッケージである。我々は,POMDPによるアクティブな推論をシミュレートする,最初のオープンソースパッケージを提供する。
論文参考訳（メタデータ） (2022-01-11T12:18:44Z)
Design and implementation of an environment for Learning to Run a Power Network (L2RPN) [0.0]
本報告では,INRIAにおけるインターンシップの一環として実施した成果を要約する。インターンシップの目的は、電力網内の電力伝送をシミュレートするソフトウェア環境を開発することでした。私たちの環境は強化学習エージェントで電力網の制御を自動化するのに役立ち、オペレーターを支援します。
論文参考訳（メタデータ） (2021-04-06T13:31:11Z)
Gym-ANM: Reinforcement Learning Environments for Active Network Management Tasks in Electricity Distribution Systems [1.370633147306388]
Gym-ANMは強化学習環境を設計するためのフレームワークです。現状のRLアルゴリズムはANM6-Easy上ですでに高い性能を達成可能であることを示す。
論文参考訳（メタデータ） (2021-03-14T14:00:27Z)
Learning Discrete Energy-based Models via Auxiliary-variable Local Exploration [130.89746032163106]
離散構造データに対する条件付きおよび非条件付きEMMを学習するための新しいアルゴリズムであるALOEを提案する。エネルギー関数とサンプリング器は、新しい変分型電力繰り返しにより効率よく訓練できることを示す。本稿では、ソフトウェアテストのためのエネルギーモデルガイド付ファジィザについて、libfuzzerのようなよく設計されたファジィエンジンに匹敵する性能を実現する。
論文参考訳（メタデータ） (2020-11-10T19:31:29Z)

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。