論文の概要: Resiliency Analysis of LLM generated models for Industrial Automation
- arxiv url: http://arxiv.org/abs/2308.12129v1
- Date: Wed, 23 Aug 2023 13:35:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-23 12:55:14.720784
- Title: Resiliency Analysis of LLM generated models for Industrial Automation
- Title(参考訳): 産業自動化のためのLLM生成モデルのレジリエンス解析
- Authors: Oluwatosin Ogundare, Gustavo Quiros Araya, Ioannis Akrotirianakis,
Ankit Shukla
- Abstract要約: 本稿では,Large Language Models (LLMs) を用いた自動生成産業自動化・制御システムのレジリエンスと効率性について検討する。
本研究の目的は、産業自動化・制御における自動生成システムの有効性と信頼性に関する洞察を提供することと、その設計・実装改善の可能性を明らかにすることである。
- 参考スコア(独自算出の注目度): 0.7018015405843725
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper proposes a study of the resilience and efficiency of automatically
generated industrial automation and control systems using Large Language Models
(LLMs). The approach involves modeling the system using percolation theory to
estimate its resilience and formulating the design problem as an optimization
problem subject to constraints. Techniques from stochastic optimization and
regret analysis are used to find a near-optimal solution with provable regret
bounds. The study aims to provide insights into the effectiveness and
reliability of automatically generated systems in industrial automation and
control, and to identify potential areas for improvement in their design and
implementation.
- Abstract(参考訳): 本稿では,大規模言語モデル(llms)を用いた自動生成産業自動化制御システムのレジリエンスと効率について検討する。
アプローチでは、パーコレーション理論を用いてシステムのレジリエンスを推定し、制約を受ける最適化問題として設計問題を定式化する。
確率的最適化と後悔解析の手法は、証明可能な後悔境界を持つほぼ最適解を見つけるために用いられる。
本研究の目的は、産業自動化・制御における自動生成システムの有効性と信頼性に関する洞察を提供することと、その設計・実装改善の可能性を明らかにすることである。
関連論文リスト
- An Interpretable Automated Mechanism Design Framework with Large Language Models [26.89126917895188]
メカニズムは長い間経済理論の基盤であり、伝統的なアプローチは数学的導出に依存してきた。
支払いとアロケーションを設計するために、ニューラルネットワークを使った微分経済学を含む最近の自動化アプローチが出現している。
コード生成タスクとしてメカニズム設計を再構築する新しいフレームワークを導入する。
論文 参考訳(メタデータ) (2025-02-16T12:33:03Z) - A Survey on Inference Optimization Techniques for Mixture of Experts Models [50.40325411764262]
大規模Mixture of Experts(MoE)モデルは、条件計算によるモデル容量と計算効率の向上を提供する。
これらのモデル上で推論をデプロイし実行することは、計算資源、レイテンシ、エネルギー効率において大きな課題を示す。
本調査では,システムスタック全体にわたるMoEモデルの最適化手法について分析する。
論文 参考訳(メタデータ) (2024-12-18T14:11:15Z) - Synergistic Development of Perovskite Memristors and Algorithms for Robust Analog Computing [53.77822620185878]
本稿では,ペロブスカイト・メムリスタの製作を同時に最適化し,ロバストなアナログDNNを開発するための相乗的手法を提案する。
BO誘導ノイズインジェクションを利用したトレーニング戦略であるBayesMultiを開発した。
我々の統合されたアプローチは、より深くより広いネットワークでのアナログコンピューティングの使用を可能にし、最大100倍の改善を実現します。
論文 参考訳(メタデータ) (2024-12-03T19:20:08Z) - Optimizing Automated Picking Systems in Warehouse Robots Using Machine Learning [15.615208767760663]
本研究は、ディープラーニングと強化学習技術を活用した倉庫における自動ピッキングシステムに焦点を当てた。
ロボットのピッキング性能と複雑な環境への適応性を向上する上で,これらの技術の有効性を実証する。
論文 参考訳(メタデータ) (2024-08-29T15:39:12Z) - AutoTRIZ: Artificial Ideation with TRIZ and Large Language Models [2.7624021966289605]
発明的問題解決の理論は、体系的なイノベーションに広く適用されている。
TRIZリソースと概念の複雑さは、ユーザの知識、経験、推論能力への依存と相まって、実用性を制限する。
提案するAutoTRIZは,LPMを用いてTRIZ手法を自動化・拡張する人工的思考ツールである。
論文 参考訳(メタデータ) (2024-03-13T02:53:36Z) - Machine Learning Insides OptVerse AI Solver: Design Principles and
Applications [74.67495900436728]
本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。
本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。
本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
論文 参考訳(メタデータ) (2024-01-11T15:02:15Z) - Reinforcement Learning of Display Transfer Robots in Glass Flow Control
Systems: A Physical Simulation-Based Approach [6.229216953398305]
フロー制御システムは製造システムの生産能力を高めるための重要な概念である。
フロー制御に関するスケジューリング最適化問題を解決するため、既存の手法はドメイン・ヒューマン・エキスパートによる設計に依存している。
本稿では,物理シミュレーション環境を実装し,ディスプレイ製造における移動ロボットを用いた現実的なフロー制御システムの設計を提案する。
論文 参考訳(メタデータ) (2023-10-12T02:10:29Z) - On a Uniform Causality Model for Industrial Automation [61.303828551910634]
産業自動化の様々な応用分野に対する一様因果モデルを提案する。
得られたモデルは、サイバー物理システムの振る舞いを数学的に記述する。
このモデルは、機械学習に焦点を当てた産業自動化における新しいアプローチの応用の基盤として機能することが示されている。
論文 参考訳(メタデータ) (2022-09-20T11:23:51Z) - A cGAN Ensemble-based Uncertainty-aware Surrogate Model for Offline Model-based Optimization in Industrial Control Problems [2.280762565226767]
本研究では、実世界の産業制御問題に対するオフラインモデルに基づく最適化の適用に関する2つの重要な問題に焦点をあてる。
第一の問題は、ノイズの多い産業データに存在するダイナミクスを正確にキャプチャする信頼性の高い確率モデルを作成する方法である。
第2の問題は、産業システムからのフィードバックを積極的に収集することなく、制御パラメータを確実に最適化する方法である。
論文 参考訳(メタデータ) (2022-05-15T10:27:49Z) - Automatically Learning Compact Quality-aware Surrogates for Optimization
Problems [55.94450542785096]
未知パラメータで最適化問題を解くには、未知パラメータの値を予測し、これらの値を用いて問題を解くための予測モデルを学ぶ必要がある。
最近の研究によると、複雑なトレーニングモデルパイプラインのレイヤーとして最適化の問題を含めると、観測されていない意思決定の繰り返しを予測することになる。
我々は,大規模最適化問題の低次元サロゲートモデルを学習することにより,解の質を向上させることができることを示す。
論文 参考訳(メタデータ) (2020-06-18T19:11:54Z) - Information Theoretic Model Predictive Q-Learning [64.74041985237105]
本稿では,情報理論的MPCとエントロピー正規化RLとの新たな理論的関連性を示す。
バイアスモデルを利用したQ-ラーニングアルゴリズムを開発した。
論文 参考訳(メタデータ) (2019-12-31T00:29:22Z)
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。