論文の概要: AI in Energy Digital Twining: A Reinforcement Learning-based Adaptive Digital Twin Model for Green Cities

• arxiv url: http://arxiv.org/abs/2401.16449v1
• Date: Sun, 28 Jan 2024 20:38:58 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-31 17:41:27.711911
• Title: AI in Energy Digital Twining: A Reinforcement Learning-based Adaptive Digital Twin Model for Green Cities
• Title（参考訳）: AI in Energy Digital Twining: グリーンシティのための強化学習に基づく適応型ディジタルツインモデル
• Authors: Lal Verda Cakir, Kubra Duran, Craig Thomson, Matthew Broadbent, and Berk Canberk
• Abstract要約: この研究はグリーンシティの進歩に寄与し、正確性、同期性、リソース、クエリ、エネルギー効率において有意義な利点を示す。 本モデルでは, オーバヘッドが20%, エネルギー消費が25%削減された。
• 参考スコア（独自算出の注目度）: 3.331837590789622
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Digital Twins (DT) have become crucial to achieve sustainable and effective smart urban solutions. However, current DT modelling techniques cannot support the dynamicity of these smart city environments. This is caused by the lack of right-time data capturing in traditional approaches, resulting in inaccurate modelling and high resource and energy consumption challenges. To fill this gap, we explore spatiotemporal graphs and propose the Reinforcement Learning-based Adaptive Twining (RL-AT) mechanism with Deep Q Networks (DQN). By doing so, our study contributes to advancing Green Cities and showcases tangible benefits in accuracy, synchronisation, resource optimization, and energy efficiency. As a result, we note the spatiotemporal graphs are able to offer a consistent accuracy and 55% higher querying performance when implemented using graph databases. In addition, our model demonstrates right-time data capturing with 20% lower overhead and 25% lower energy consumption.
• Abstract（参考訳）: デジタルツイン(DT)は,持続的で効果的なスマート都市ソリューションの実現に不可欠である。 しかし、現在のDTモデリング技術は、これらのスマートシティ環境の動的性をサポートできない。 これは、従来のアプローチにおける適切なデータキャプチャの欠如が原因であり、不正確なモデリングと高いリソースとエネルギー消費の課題をもたらす。 このギャップを埋めるために、時空間グラフを探索し、Reinforcement Learning-based Adaptive Twining (RL-AT) 機構をDeep Q Networks (DQN) で提案する。 その結果,グリーンシティの進展に寄与し,正確性,同期性,資源最適化,エネルギー効率に有意義なメリットが示された。 その結果,時空間グラフはグラフデータベースを用いた場合,一貫した精度とクエリ性能を55%向上させることができることがわかった。 さらに,本モデルでは,オーバーヘッドを20%低減し,エネルギー消費量を25%削減して,適切なデータキャプチャを実現する。

関連論文リスト

• TRIZ Method for Urban Building Energy Optimization: GWO-SARIMA-LSTM Forecasting model [0.34028430825850625]
  本研究では, TRIZのイノベーション理論をGWO, SARIMA, LSTMと組み合わせたハイブリッドディープラーニングモデルを提案する。 本実験は,既存モデルと比較して予測誤差が15%減少することを示す。
  論文  参考訳（メタデータ） (2024-10-20T04:46:42Z)
• Gradient Transformation: Towards Efficient and Model-Agnostic Unlearning for Dynamic Graph Neural Networks [66.70786325911124]
  グラフアンラーニングは、ユーザのプライバシ保護と、望ましくないデータによるネガティブな影響軽減に不可欠なツールとして登場した。 DGNNの普及に伴い、動的グラフアンラーニングの実装を検討することが不可欠となる。 DGNNアンラーニングを実装するために,効率的,効率的,モデルに依存しない,事後処理手法を提案する。
  論文  参考訳（メタデータ） (2024-05-23T10:26:18Z)
• Green AI in Action: Strategic Model Selection for Ensembles in Production [2.464194460689648]
  複数のモデルからの予測を1つの予測に組み合わせたアンサンブル学習は、累積エネルギー消費によってこの問題を強化する。 本稿では,AI アンサンブルシステムにおいて,AI モデルの精度とエネルギー消費のバランスをとることの課題に対処する,モデル選択のための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-05-21T18:57:43Z)
• Digital Twin-Enhanced Deep Reinforcement Learning for Resource Management in Networks Slicing [46.65030115953947]
  本稿では,デジタルツインと強化学習エージェントからなるフレームワークを提案する。 具体的には、歴史的データとニューラルネットワークを用いて、実環境の状態変動則をシミュレートするデジタルツインモデルを構築することを提案する。 また、このフレームワークをオフラインで強化学習に拡張し、歴史的データのみに基づいたインテリジェントな意思決定にソリューションを利用できるようにします。
  論文  参考訳（メタデータ） (2023-11-28T15:25:14Z)
• Uncovering Energy-Efficient Practices in Deep Learning Training: Preliminary Steps Towards Green AI [8.025202812165412]
  我々は、エネルギー消費を精度に等しい重要性の指標とみなし、無関係なタスクやエネルギー使用量を減らす。 持続可能性の観点から深層学習パイプラインの訓練段階について検討する。 ディープラーニングモデルをトレーニングするための革新的で有望なエネルギー効率のプラクティスを強調します。
  論文  参考訳（メタデータ） (2023-03-24T12:48:21Z)
• Graph Generative Model for Benchmarking Graph Neural Networks [73.11514658000547]
  本稿では,プライバシ制御により実世界のグラフの分布を学習し,再現する新しいグラフ生成モデルを提案する。 我々のモデルは、GNNモデルのベンチマークに効果的に使用できる大規模な実世界のグラフの、プライバシ制御された合成代用をうまく生成することができる。
  論文  参考訳（メタデータ） (2022-07-10T06:42:02Z)
• Dynamic Contrastive Distillation for Image-Text Retrieval [90.05345397400144]
  画像テキスト検索モデルを圧縮するための新しいプラグイン動的コントラスト蒸留(DCD)フレームワークを提案する。 提案したDCD戦略を2つの最先端の視覚言語事前訓練モデル、すなわち ViLT と METER に適用することに成功している。 MS-COCOとFlickr30Kベンチマークの実験では、DCDフレームワークの有効性と効率が示されている。
  論文  参考訳（メタデータ） (2022-07-04T14:08:59Z)
• Your Autoregressive Generative Model Can be Better If You Treat It as an Energy-Based One [83.5162421521224]
  本稿では,自己回帰生成モデルの学習のための独自のE-ARM法を提案する。 E-ARMは、よく設計されたエネルギーベースの学習目標を活用する。 我々は、E-ARMを効率的に訓練でき、露光バイアス問題を緩和できることを示した。
  論文  参考訳（メタデータ） (2022-06-26T10:58:41Z)
• Times Series Forecasting for Urban Building Energy Consumption Based on Graph Convolutional Network [20.358180125750046]
  建設業はアメリカにおけるエネルギー消費の40%以上を占めている。 UBEMはエネルギー効率の良いコミュニティの設計を支援する基盤である。 データ駆動型モデル統合工学または物理知識は、都市建設エネルギーシミュレーションを大幅に改善することができる。
  論文  参考訳（メタデータ） (2021-05-27T19:02:04Z)
• Hyperbolic Variational Graph Neural Network for Modeling Dynamic Graphs [77.33781731432163]
  我々は,ノード表現の推論を目的とした双曲空間における動的グラフ表現を初めて学習する。 本稿では,HVGNNと呼ばれる新しいハイパーボリック変動グラフネットワークを提案する。 特に,動力学をモデル化するために,理論的に接地した時間符号化手法に基づく時間gnn(tgnn)を導入する。
  論文  参考訳（メタデータ） (2021-04-06T01:44:15Z)
• Deep Reinforcement Learning for Stochastic Computation Offloading in Digital Twin Networks [1.0509026467663467]
  Digital Twinは、産業用モノのインターネット(IIoT)のデジタルトランスフォーメーションを強化するための有望な技術である 我々はまず,ネットワークトポロジとタスク到着モデルを構築するための新しいパラダイムであるDigital Twin Networks (DTN)を提案する。 次に, 長期エネルギー効率を最小化するために, 計算オフロード問題と資源配分問題を定式化する。
  論文  参考訳（メタデータ） (2020-11-17T05:40:16Z)

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。