論文の概要: Machine Learning for a Sustainable Energy Future
- arxiv url: http://arxiv.org/abs/2210.10391v1
- Date: Wed, 19 Oct 2022 08:59:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-20 15:41:07.787911
- Title: Machine Learning for a Sustainable Energy Future
- Title（参考訳）: 持続可能エネルギー未来のための機械学習
- Authors: Zhenpeng Yao, Yanwei Lum, Andrew Johnston, Luis Martin Mejia-Mendoza,
Xin Zhou, Yonggang Wen, Alan Aspuru-Guzik, Edward H. Sargent, Zhi Wei Seh
- Abstract要約: 機械学習によるエネルギー研究の最近の進歩を概観する。
我々は,エネルギー収穫の発展にMLを適用した最新の技術について論じ,評価を行った。
我々は、MLの適用によるさらなる利益を目論むエネルギー分野の潜在的研究分野の展望を提供する。
- 参考スコア（独自算出の注目度）: 8.421378169245827
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Transitioning from fossil fuels to renewable energy sources is a critical
global challenge; it demands advances at the levels of materials, devices, and
systems for the efficient harvesting, storage, conversion, and management of
renewable energy. Researchers globally have begun incorporating machine
learning (ML) techniques with the aim of accelerating these advances. ML
technologies leverage statistical trends in data to build models for prediction
of material properties, generation of candidate structures, optimization of
processes, among other uses; as a result, they can be incorporated into
discovery and development pipelines to accelerate progress. Here we review
recent advances in ML-driven energy research, outline current and future
challenges, and describe what is required moving forward to best lever ML
techniques. To start, we give an overview of key ML concepts. We then introduce
a set of key performance indicators to help compare the benefits of different
ML-accelerated workflows for energy research. We discuss and evaluate the
latest advances in applying ML to the development of energy harvesting
(photovoltaics), storage (batteries), conversion (electrocatalysis), and
management (smart grids). Finally, we offer an outlook of potential research
areas in the energy field that stand to further benefit from the application of
ML.
- Abstract（参考訳）: 化石燃料から再生可能エネルギー源へ移行することは、重要な世界的な課題であり、再生可能エネルギーの効率的な収穫、貯蔵、変換、管理のための材料、装置、システムの水準の進歩を要求する。
研究者たちは、これらの進歩を加速するために、世界中で機械学習(ML)技術の導入を開始している。
ML技術はデータの統計的傾向を利用して、材料特性の予測、候補構造の生成、プロセスの最適化などの用途のためのモデルを構築する。
本稿では、ml駆動エネルギー研究の最近の進歩を概観し、現状と今後の課題を概説し、ベストレバーml技術に進むために必要なことを説明する。
まず、重要なML概念の概要を紹介する。
次に、エネルギー研究のために異なるML加速ワークフローの利点を比較するのに役立つ重要なパフォーマンス指標を紹介します。
エネルギー収穫(太陽光発電)、蓄電池(電池)、変換(電気触媒)、管理(スマートグリッド)の開発にMLを適用した最近の進歩について議論し、評価する。
最後に、我々は、MLの適用によるさらなる利益を期待するエネルギー分野の潜在的研究分野の展望を提供する。
関連論文リスト
- Recent Advances on Machine Learning for Computational Fluid Dynamics: A Survey [51.87875066383221]
本稿では、基本概念、従来の手法、ベンチマークデータセットを紹介し、CFDを改善する上で機械学習が果たす様々な役割について検討する。
我々は,空気力学,燃焼,大気・海洋科学,生物流体,プラズマ,記号回帰,秩序の低減など,CFDにおけるMLの現実的な応用を強調した。
シミュレーションの精度を向上し、計算時間を短縮し、流体力学のより複雑な解析を可能にすることにより、MLはCFD研究を大きく変革する可能性があるという結論を導いた。
論文 参考訳（メタデータ） (2024-08-22T07:33:11Z) - Computing Within Limits: An Empirical Study of Energy Consumption in ML Training and Inference [2.553456266022126]
機械学習(ML)は大きな進歩を遂げているが、その環境のフットプリントは依然として懸念されている。
本稿では,グリーンMLの環境影響の増大を認め,グリーンMLについて検討する。
論文 参考訳（メタデータ） (2024-06-20T13:59:34Z) - EcoMLS: A Self-Adaptation Approach for Architecting Green ML-Enabled Systems [1.0923877073891446]
ソフトウェアシステム内での省エネの可能性で認識されている自己適応技術は、マシンラーニングの実現可能なシステムにおいて、まだ広く研究されていない。
本研究は、インテリジェントランタイム適応によるMLSサステナビリティ向上の可能性を明らかにする。
論文 参考訳（メタデータ） (2024-04-17T14:12:47Z) - GAISSALabel: A tool for energy labeling of ML models [1.5899411215927992]
本稿では,機械学習モデルのエネルギー効率の評価とラベル付けを目的としたWebベースのツールであるGAISSALabelを紹介する。
このツールの適応性は、提案されたラベルシステムのカスタマイズを可能にし、急速に進化するML分野におけるその関連性を保証する。
論文 参考訳（メタデータ） (2024-01-30T16:31:48Z) - Lessons from Usable ML Deployments and Application to Wind Turbine
Monitoring [47.418845064441605]
使用可能なML(説明可能なMLを超える1ステップ)を、説明可能なMLを越える1ステップとします。
これらの教訓を風力タービン監視の課題に適用する。
再生可能エネルギー領域におけるMLの現実的影響を実証したい。
論文 参考訳（メタデータ） (2023-12-05T16:13:50Z) - Power Hungry Processing: Watts Driving the Cost of AI Deployment? [74.19749699665216]
生成された多目的AIシステムは、機械学習(ML)モデルをテクノロジに構築するための統一的なアプローチを約束する。
この「一般性」の野心は、これらのシステムが必要とするエネルギー量と放出する炭素量を考えると、環境に急激なコストがかかる。
これらのモデルを用いて,代表的なベンチマークデータセット上で1,000の推論を行うのに必要なエネルギーと炭素の量として,デプロイメントコストを測定した。
本稿は、多目的MLシステムの展開動向に関する議論から締めくくり、エネルギーと排出の面でコストの増大に対して、その実用性はより意図的に重み付けされるべきである、と警告する。
論文 参考訳（メタデータ） (2023-11-28T15:09:36Z) - Empowering Distributed Solutions in Renewable Energy Systems and Grid
Optimization [3.8979646385036175]
機械学習(ML)の進歩は再生可能エネルギー源の強化とグリッド管理の改善に重要な役割を果たしている。
ビッグデータとMLをスマートグリッドに組み込むことは、エネルギー効率の向上など、いくつかのメリットを提供する。
しかし、大規模なデータボリュームの処理、サイバーセキュリティの確保、専門知識の獲得といった課題に対処する必要がある。
論文 参考訳（メタデータ） (2023-10-24T02:45:16Z) - How Can Recommender Systems Benefit from Large Language Models: A Survey [82.06729592294322]
大きな言語モデル(LLM)は、印象的な汎用知性と人間のような能力を示している。
我々は,実世界のレコメンデータシステムにおけるパイプライン全体の観点から,この研究の方向性を包括的に調査する。
論文 参考訳（メタデータ） (2023-06-09T11:31:50Z) - Machine learning applications for electricity market agent-based models:
A systematic literature review [68.8204255655161]
エージェントベースのシミュレーションは、電気市場のダイナミクスをよりよく理解するために使用される。
エージェントベースのモデルは、機械学習と人工知能を統合する機会を提供する。
我々は、エージェントベースの電気市場モデルに適用された機械学習に焦点を当てた2016年から2021年の間に発行された55の論文をレビューする。
論文 参考訳（メタデータ） (2022-06-05T14:52:26Z) - Artificial Intelligence Based Prognostic Maintenance of Renewable Energy
Systems: A Review of Techniques, Challenges, and Future Research Directions [3.1123064748686287]
データ分析と機械学習(ML)技術は、これらの予後維持システムの全体的な効率を高めるために使われています。
本稿では,文献に報告されている予測/予測保守フレームワークの概要について述べる。
MLベースのソリューションの重要な側面として、ドメインで一般的に使用されるデータセットについても議論します。
論文 参考訳（メタデータ） (2021-04-20T11:41:00Z) - Machine Learning Force Fields [54.48599172620472]
機械学習(ML)は、計算化学の多くの進歩を可能にした。
最も有望な応用の1つは、MLベースの力場(FF)の構築である。
本稿では,ML-FFの応用と,それらから得られる化学的知見について概説する。
論文 参考訳（メタデータ） (2020-10-14T13:14:14Z)
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。