論文の概要: Leveraging Industry 4.0 -- Deep Learning, Surrogate Model and Transfer
Learning with Uncertainty Quantification Incorporated into Digital Twin for
Nuclear System
- arxiv url: http://arxiv.org/abs/2210.00074v1
- Date: Fri, 30 Sep 2022 20:19:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-04 17:22:21.980170
- Title: Leveraging Industry 4.0 -- Deep Learning, Surrogate Model and Transfer
Learning with Uncertainty Quantification Incorporated into Digital Twin for
Nuclear System
- Title（参考訳）: 産業のレバレッジ 4.0 -- 深層学習・サロゲートモデル・トランスファーラーニングと不確実性量子化による原子力システムのためのディジタルツイン
- Authors: M. Rahman, Abid Khan, Sayeed Anowar, Md Al-Imran, Richa Verma, Dinesh
Kumar, Kazuma Kobayashi, Syed Alam
- Abstract要約: IoT(Internet of Things)と機械学習(ML)の出現により、サロゲートモデリングの概念はさらに有効になった。
この章は、代理モデリング、トランスファーラーニング、IoT、デジタルツインという概念の概要から始まる。
その後、デジタルツインに関連付けられた代理モデルに対する不確実性、不確実性定量化フレームワーク、および不確実性定量化手法の詳細について概説する。
- 参考スコア（独自算出の注目度）: 2.530807828621263
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Industry 4.0 targets the conversion of the traditional industries into
intelligent ones through technological revolution. This revolution is only
possible through innovation, optimization, interconnection, and rapid
decision-making capability. Numerical models are believed to be the key
components of Industry 4.0, facilitating quick decision-making through
simulations instead of costly experiments. However, numerical investigation of
precise, high-fidelity models for optimization or decision-making is usually
time-consuming and computationally expensive. In such instances, data-driven
surrogate models are excellent substitutes for fast computational analysis and
the probabilistic prediction of the output parameter for new input parameters.
The emergence of Internet of Things (IoT) and Machine Learning (ML) has made
the concept of surrogate modeling even more viable. However, these surrogate
models contain intrinsic uncertainties, originate from modeling defects, or
both. These uncertainties, if not quantified and minimized, can produce a
skewed result. Therefore, proper implementation of uncertainty quantification
techniques is crucial during optimization, cost reduction, or safety
enhancement processes analysis. This chapter begins with a brief overview of
the concept of surrogate modeling, transfer learning, IoT and digital twins.
After that, a detailed overview of uncertainties, uncertainty quantification
frameworks, and specifics of uncertainty quantification methodologies for a
surrogate model linked to a digital twin is presented. Finally, the use of
uncertainty quantification approaches in the nuclear industry has been
addressed.
- Abstract（参考訳）: 産業 4.0は、技術革命による伝統的な産業の知的産業への転換を目標としている。
この革命はイノベーション、最適化、相互接続、迅速な意思決定能力によってのみ可能となる。
数値モデルは産業4.0の重要な要素であり、コストのかかる実験ではなくシミュレーションによる迅速な意思決定を容易にすると考えられている。
しかし、最適化や意思決定のための精度の高い高忠実度モデルの数値的な研究は通常、時間と計算コストがかかる。
このような場合、データ駆動サロゲートモデルは、高速な計算解析と新しい入力パラメータの出力パラメータの確率的予測に優れた代用となる。
IoT(Internet of Things)と機械学習(ML)の出現により、サロゲートモデリングの概念はさらに有効になった。
しかしながら、これらの代理モデルは、モデル欠陥に由来する固有の不確実性を含むか、その両方を含む。
これらの不確実性は、定量化され最小化されていなければ、歪んだ結果を生み出すことができる。
したがって、最適化、コスト削減、安全性向上プロセス分析において、不確実性定量化技術の適切な実装が不可欠である。
この章は、代理モデリング、トランスファーラーニング、IoT、デジタルツインという概念の概要から始まる。
その後、不確実性、不確実性定量化フレームワーク、およびデジタル双生児と結びついた代理モデルに対する不確実性定量化方法論の具体的詳細が提示される。
最後に、核産業における不確実な定量化アプローチの使用に対処している。
関連論文リスト
- Sustainable Diffusion-based Incentive Mechanism for Generative AI-driven Digital Twins in Industrial Cyber-Physical Systems [65.22300383287904]
産業用サイバー物理システム(ICPS)は、現代の製造業と産業にとって不可欠なコンポーネントである。
製品ライフサイクルを通じてデータをデジタル化することで、ICPSのDigital Twins(DT)は、現在の産業インフラからインテリジェントで適応的なインフラへの移行を可能にします。
産業用IoT(Industrial Internet of Things, IIoT)デバイスを利用すれば、DTを構築するためのデータを共有するメカニズムは、悪い選択問題の影響を受けやすい。
論文 参考訳（メタデータ） (2024-08-02T10:47:10Z) - MR-Ben: A Meta-Reasoning Benchmark for Evaluating System-2 Thinking in LLMs [55.20845457594977]
大規模言語モデル(LLM)は、問題解決と意思決定の能力の向上を示している。
本稿ではメタ推論技術を必要とするプロセスベースのベンチマークMR-Benを提案する。
メタ推論のパラダイムは,システム2のスロー思考に特に適しています。
論文 参考訳（メタデータ） (2024-06-20T03:50:23Z) - DETECTA 2.0: Research into non-intrusive methodologies supported by Industry 4.0 enabling technologies for predictive and cyber-secure maintenance in SMEs [0.19972837513980318]
DETECTA 2.0プロジェクトは、リアルタイム異常検出、高度な分析、予測予測機能を調和させる。
中心となるのはDigital Twinインターフェースで、マシン状態と検出された異常の直感的なリアルタイム可視化を提供する。
予測エンジンは、N-HiTSのような高度な時系列アルゴリズムを使用して、将来のマシン利用トレンドを予測する。
論文 参考訳（メタデータ） (2024-05-24T08:38:38Z) - Sparse Attention-driven Quality Prediction for Production Process Optimization in Digital Twins [53.70191138561039]
データ駆動方式で運用ロジックを符号化することで,生産ラインのディジタルツインをデプロイすることを提案する。
我々は,自己注意型時間畳み込みニューラルネットワークに基づく生産プロセスの品質予測モデルを採用する。
本手法は,本手法により,仮想及び実生産ライン間のシームレスな統合を促進できることを示す。
論文 参考訳（メタデータ） (2024-05-20T09:28:23Z) - The Artificial Neural Twin -- Process Optimization and Continual Learning in Distributed Process Chains [3.79770624632814]
本稿では,モデル予測制御,ディープラーニング,センサネットワークの概念を組み合わせた人工ニューラルツインを提案する。
我々のアプローチでは、分散プロセスのステップの状態を推定するために、微分可能なデータ融合を導入します。
相互接続されたプロセスステップを準ニューラルネットワークとして扱うことで、プロセス最適化やモデル微調整のための損失勾配をプロセスパラメータにバックプロパゲートすることができる。
論文 参考訳（メタデータ） (2024-03-27T08:34:39Z) - QualEval: Qualitative Evaluation for Model Improvement [82.73561470966658]
モデル改善のための手段として,自動定性評価による定量的スカラー指標を付加するQualEvalを提案する。
QualEvalは強力なLCM推論器と新しいフレキシブルリニアプログラミングソルバを使用して、人間の読みやすい洞察を生成する。
例えば、その洞察を活用することで、Llama 2モデルの絶対性能が最大15%向上することを示す。
論文 参考訳（メタデータ） (2023-11-06T00:21:44Z) - Neuro-symbolic Empowered Denoising Diffusion Probabilistic Models for
Real-time Anomaly Detection in Industry 4.0 [9.903035948408316]
本稿では,産業4.0プロセスにおけるリアルタイム異常予測のための拡散モデルを提案する。
ニューロシンボリックアプローチを用いて、我々は産業をモデルに統合し、スマートマニュファクチャリングに関するフォーマルな知識を付加する。
論文 参考訳（メタデータ） (2023-07-13T13:52:41Z) - End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。
我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
論文 参考訳（メタデータ） (2023-05-25T10:58:46Z) - On Robust Numerical Solver for ODE via Self-Attention Mechanism [82.95493796476767]
我々は,内在性雑音障害を緩和し,AIによって強化された数値解法を,データサイズを小さくする訓練について検討する。
まず,教師付き学習における雑音を制御するための自己認識機構の能力を解析し,さらに微分方程式の数値解に付加的な自己認識機構を導入し,簡便かつ有効な数値解法であるAttrを提案する。
論文 参考訳（メタデータ） (2023-02-05T01:39:21Z) - Uncertainty Estimation in Machine Learning [0.0]
機械学習において、モデルの複雑さと厳密な非線形性は、不確実性評価に深刻な障害となる。
事前トレーニングモデルの最新の例は、数十億のパラメータと半テラバイトのトレーニングデータセットを備えたGenerative Pre-trained Transformer 3である。
論文 参考訳（メタデータ） (2022-06-03T16:11:11Z) - Introduction to Rare-Event Predictive Modeling for Inferential
Statisticians -- A Hands-On Application in the Prediction of Breakthrough
Patents [0.0]
本稿では,予測性能の最適化を目的とした定量的分析のための機械学習(ML)手法を提案する。
両フィールド間の潜在的な相乗効果について考察する。
我々は,コンピュータサイエンスの用語のデミスティフィケーションを目指して,定量的な社会科学の聴衆に手持ちの予測モデルの導入を行っている。
論文 参考訳（メタデータ） (2020-03-30T13:06:25Z)
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。