Fugu-MT 論文翻訳(概要): Digital Twinning of a Pressurized Water Reactor Startup Operation and Partial Computational Offloading in In-network Computing-Assisted Multiaccess Edge Computing

論文の概要: Digital Twinning of a Pressurized Water Reactor Startup Operation and Partial Computational Offloading in In-network Computing-Assisted Multiaccess Edge Computing

arxiv url: http://arxiv.org/abs/2407.12011v1
Date: Mon, 24 Jun 2024 10:13:00 GMT
ステータス: 処理完了
システム内更新日: 2024-07-22 11:30:12.135578
Title: Digital Twinning of a Pressurized Water Reactor Startup Operation and Partial Computational Offloading in In-network Computing-Assisted Multiaccess Edge Computing
Title（参考訳）: インネットワークコンピューティングを用いたマルチアクセスエッジコンピューティングにおける加圧水炉起動動作と部分計算負荷のディジタル双極化
Authors: Ibrahim Aliyu, Awwal M. Arigi, Tai-Won Um, Jinsul Kim,
Abstract要約: 本稿では,原子力プラントディジタルツイン(DT)における複雑なヒューマンアクション(HA)の表現の課題について述べる。本稿では,オフロード決定,オフロード率,リソース割り当てを最適化する分散アルゴリズムを提案する。
参考スコア（独自算出の注目度）: 0.5499796332553707
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper addresses the challenge of representing complex human action (HA) in a nuclear power plant (NPP) digital twin (DT) and minimizing latency in partial computation offloading (PCO) in sixth-generation-enabled computing in the network (COIN) assisted multiaccess edge computing (MEC). Accurate HA representation in the DT-HA model is vital for modeling human interventions that are crucial for the safe and efficient operation of NPPs. In this context, DT-enabled COIN-assisted MEC harnesses DT (known as a cybertwin) capabilities to optimize resource allocation and reduce latency effectively. A two-stage approach is employed to address system complexity. First, a probabilistic graphical model (PGM) is introduced to capture HAs in the DT abstraction. In the PGM, HA and NPP asset-twin abstractions form coupled systems that evolve and interact through observable data and control input. Next, the underlying PCO problem is formulated as a multiuser game, where NPP assets can partially offload tasks to COIN and MEC. We propose a decentralized algorithm to optimize offloading decisions, offloading ratios, and resource allocation. The simulation results demonstrate the effectiveness of the proposed method in capturing complex HAs and optimal resource allocation in DT-enabled NPPs.
Abstract（参考訳）: 本稿では,原子力プラント(NPP)ディジタルツイン(DT)における複雑なヒューマンアクション(HA)の表現と,ネットワーク(COIN)を利用したマルチアクセスエッジコンピューティング(MEC)における部分計算オフロード(PCO)のレイテンシの最小化を課題とする。 DT-HAモデルにおける正確なHA表現は、NPPの安全かつ効率的な操作に不可欠な人間の介入をモデル化するために不可欠である。この文脈では、DT対応のCOIN支援MECはDT(サイバートウィンとして知られる)機能を利用してリソース割り当てを最適化し、遅延を効果的に低減する。システムの複雑さに対処するために、2段階のアプローチが採用されている。まず、確率的グラフィカルモデル(PGM)を導入し、DT抽象化でHAをキャプチャする。 PGMでは、HAとNPPのアセット・ツインの抽象化が結合システムを形成し、可観測データと制御入力を介して進化し相互作用する。次に、基礎となるPCO問題はマルチユーザゲームとして定式化され、NPPアセットはタスクの一部をCOINとMECにオフロードすることができる。本稿では,オフロード決定,オフロード率,リソース割り当てを最適化する分散アルゴリズムを提案する。シミュレーションの結果,DT対応NPPにおける複雑なHAを捕捉し,資源割り当てを最適化する手法の有効性が示された。

関連論文リスト

DNN Partitioning, Task Offloading, and Resource Allocation in Dynamic Vehicular Networks: A Lyapunov-Guided Diffusion-Based Reinforcement Learning Approach [49.56404236394601]
本稿では,Vehicular Edge Computingにおける共同DNNパーティショニング,タスクオフロード,リソース割り当ての問題を定式化する。我々の目標は、時間とともにシステムの安定性を保証しながら、DNNベースのタスク完了時間を最小化することである。拡散モデルの革新的利用を取り入れたマルチエージェント拡散に基づく深層強化学習(MAD2RL)アルゴリズムを提案する。
論文参考訳（メタデータ） (2024-06-11T06:31:03Z)
Trustworthy DNN Partition for Blockchain-enabled Digital Twin in Wireless IIoT Networks [32.42557641803365]
産業用モノのインターネット(IIoT)ネットワークにおける製造効率を高めるための有望なソリューションとして、Digital twin (DT)が登場した。本稿では,ディープニューラルネットワーク(DNN)分割技術と評価に基づくコンセンサス機構を用いたブロックチェーン対応DT(B-DT)フレームワークを提案する。
論文参考訳（メタデータ） (2024-05-28T07:34:12Z)
A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical Computation Offloading [62.34538208323411]
共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。 MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
論文参考訳（メタデータ） (2023-09-02T11:01:16Z)
Computation Offloading and Resource Allocation in F-RANs: A Federated Deep Reinforcement Learning Approach [67.06539298956854]
フォグ無線アクセスネットワーク(フォグ無線アクセスネットワーク、F-RAN)は、ユーザのモバイルデバイス(MD)が計算タスクを近くのフォグアクセスポイント(F-AP)にオフロードできる有望な技術である。
論文参考訳（メタデータ） (2022-06-13T02:19:20Z)
Adaptive Stochastic ADMM for Decentralized Reinforcement Learning in Edge Industrial IoT [106.83952081124195]
強化学習 (Reinforcement Learning, RL) は, 意思決定および最適制御プロセスのための有望な解法として広く研究されている。本稿では,Adaptive ADMM (asI-ADMM)アルゴリズムを提案する。実験の結果,提案アルゴリズムは通信コストやスケーラビリティの観点から技術状況よりも優れており,複雑なIoT環境に適応できることがわかった。
論文参考訳（メタデータ） (2021-06-30T16:49:07Z)
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)
Adaptive Subcarrier, Parameter, and Power Allocation for Partitioned Edge Learning Over Broadband Channels [69.18343801164741]
パーティショニングエッジ学習(PARTEL)は、無線ネットワークにおいてよく知られた分散学習手法であるパラメータサーバトレーニングを実装している。本稿では、いくつかの補助変数を導入してParticleELを用いてトレーニングできるディープニューラルネットワーク(DNN)モデルについて考察する。
論文参考訳（メタデータ） (2020-10-08T15:27:50Z)
Resource Allocation via Model-Free Deep Learning in Free Space Optical Communications [119.81868223344173]
本稿では,自由空間光学(FSO)通信におけるチャネルフェージング効果の緩和のための資源配分の一般的な問題について検討する。本フレームワークでは,FSO資源割り当て問題を解決する2つのアルゴリズムを提案する。
論文参考訳（メタデータ） (2020-07-27T17:38:51Z)

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。