Fugu-MT 論文翻訳(概要): Autonomous Cooking with Digital Twin Methodology

論文の概要: Autonomous Cooking with Digital Twin Methodology

arxiv url: http://arxiv.org/abs/2209.03087v1
Date: Wed, 7 Sep 2022 11:53:22 GMT
ステータス: 処理完了
システム内更新日: 2022-09-08 13:22:28.333951
Title: Autonomous Cooking with Digital Twin Methodology
Title（参考訳）: ディジタルツイン法による自律調理
Authors: Maximilian Kannapinn and Michael Sch\"afer
Abstract要約: 物理に基づく全順序シミュレーションのハイブリッド手法を提案する。クラウドや高性能コンピューティングを必要とせずに、デバイスレベルでDigital Twinsのリアルタイムシミュレーションを高速化する。
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: This work introduces the concept of an autonomous cooking process based on Digital Twin method- ology. It proposes a hybrid approach of physics-based full order simulations followed by a data-driven system identification process with low errors. It makes faster-than-real-time simulations of Digital Twins feasible on a device level, without the need for cloud or high-performance computing. The concept is universally applicable to various physical processes.
Abstract（参考訳）: 本研究は,Digital Twin法に基づく自律調理プロセスの概念を導入する。物理ベースのフルオーダーシミュレーションと,エラーの少ないデータ駆動システム同定プロセスのハイブリッドアプローチを提案する。クラウドや高性能コンピューティングを必要とせずに、デバイスレベルでDigital Twinsのリアルタイムシミュレーションを高速化する。この概念は様々な物理過程に普遍的に適用できる。

関連論文リスト

Physics Encoded Blocks in Residual Neural Network Architectures for Digital Twin Models [2.8720819157502344]
本稿では,新しい物理符号化残差ニューラルネットワークアーキテクチャに基づく汎用的アプローチを提案する。本手法は,物理モデルからの数学的演算子として物理ブロックを,フィードフォワード層を構成する学習ブロックと組み合わせる。従来のニューラルネットワーク方式と比較して,本手法はデータ要求量を大幅に減らして一般化性を向上させる。
論文参考訳（メタデータ） (2024-11-18T11:58:20Z)
Med-Real2Sim: Non-Invasive Medical Digital Twins using Physics-Informed Self-Supervised Learning [15.106435744696013]
デジタルツイン(Digital twin)は、数学的モデリングを用いてその定義する特徴を特徴づけ、シミュレートする現実世界の物理現象の仮想レプリカである。非侵襲的な患者健康データのみを用いてデジタル双対モデルパラメータを同定する手法を提案する。
論文参考訳（メタデータ） (2024-02-29T23:04:42Z)
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)
Rethinking materials simulations: Blending direct numerical simulations with neural operators [1.6874375111244329]
そこで本研究では,数値解法とニューラル演算子をブレンドしてシミュレーションを高速化する手法を開発した。物理蒸着中の微細構造変化シミュレーションにおけるこの枠組みの有効性を実証する。
論文参考訳（メタデータ） (2023-12-08T23:44:54Z)
DiffuseBot: Breeding Soft Robots With Physics-Augmented Generative Diffusion Models [102.13968267347553]
本稿では,様々なタスクにおいて優れたソフトロボット形態を生成する物理拡張拡散モデルであるDiffuseBotを提案する。我々は、その能力とともに、シミュレーションされた、そして製造された様々なロボットを紹介します。
論文参考訳（メタデータ） (2023-11-28T18:58:48Z)
Continual learning autoencoder training for a particle-in-cell simulation via streaming [52.77024349608834]
今後のエクサスケール時代は次世代の物理シミュレーションを高解像度で提供しますこれらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
論文参考訳（メタデータ） (2022-11-09T09:55:14Z)
Physics-based Digital Twins for Autonomous Thermal Food Processing: Efficient, Non-intrusive Reduced-order Modeling [0.0]
本稿では,自律食品処理のための物理に基づくデータ駆動型Digital Twinフレームワークを提案する。 ROM試験におけるトレーニングデータの表面温度の標準偏差と低根平均二乗誤差との相関は、トレーニングデータの効率的な選択を可能にする。
論文参考訳（メタデータ） (2022-09-07T10:58:38Z)
Knowledge Equivalence in Digital Twins of Intelligent Systems [3.7953718547499045]
本論文は,知的システムのデジタル双対モデルに焦点をあてる。このようなインテリジェントな物理システムのモデリングには、仮想空間における知識認識能力を複製する必要がある。本稿では,知識比較と更新による知識等価性の概念と等価性維持手法を提案する。
論文参考訳（メタデータ） (2022-04-15T14:31:17Z)
Generic Lithography Modeling with Dual-band Optics-Inspired Neural Networks [52.200624127512874]
我々は、リソグラフィの基礎となる光学物理を考慮に入れたデュアルバンド光インスパイアされたニューラルネットワーク設計を導入する。提案手法は, タイルサイズが1nm2/ピクセル解像度で最初に公表された金属/金属層輪郭シミュレーションである。また,従来のリソグラフィーシミュレータよりも精度1%の精度で85倍の高速化を実現した。
論文参考訳（メタデータ） (2022-03-12T08:08:50Z)
PlasticineLab: A Soft-Body Manipulation Benchmark with Differentiable Physics [89.81550748680245]
PasticineLabと呼ばれる新しい微分可能な物理ベンチマークを導入する。各タスクにおいて、エージェントはマニピュレータを使用して、プラスチックを所望の構成に変形させる。本稿では,既存の強化学習(RL)手法と勾配に基づく手法について評価する。
論文参考訳（メタデータ） (2021-04-07T17:59:23Z)
RoboTHOR: An Open Simulation-to-Real Embodied AI Platform [56.50243383294621]
インタラクティブで具体化された視覚AIの研究を民主化するためにRoboTHORを導入する。シミュレーションで訓練されたモデルの性能は,シミュレーションと慎重に構築された物理アナログの両方で試験される場合,大きな差があることが示される。
論文参考訳（メタデータ） (2020-04-14T20:52:49Z)

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。