論文の概要: Question Answering for Decisionmaking in Green Building Design: A Multimodal Data Reasoning Method Driven by Large Language Models

• arxiv url: http://arxiv.org/abs/2412.04741v1
• Date: Fri, 06 Dec 2024 03:02:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-09 15:57:23.849965
• Title: Question Answering for Decisionmaking in Green Building Design: A Multimodal Data Reasoning Method Driven by Large Language Models
• Title（参考訳）: グリーンビル設計における意思決定のための質問応答:大規模言語モデルによるマルチモーダルデータ推論手法
• Authors: Yihui Li, Xiaoyue Yan, Hao Zhou, Borong Lin,
• Abstract要約: グリーンビルの設計における意思決定(DGBD)は、建築エネルギーコストの削減に不可欠である。 多くの研究がこの分野に人工知能(AI)の手法を適用している。 本研究は,大規模言語モデルをDGBDと革新的に統合し,マルチモーダルデータ推論のための問合せフレームワークであるGreenQAを作成する。
• 参考スコア（独自算出の注目度）: 13.501199715254906
• License:
• Abstract: In recent years, the critical role of green buildings in addressing energy consumption and environmental issues has become widely acknowledged. Research indicates that over 40% of potential energy savings can be achieved during the early design stage. Therefore, decision-making in green building design (DGBD), which is based on modeling and performance simulation, is crucial for reducing building energy costs. However, the field of green building encompasses a broad range of specialized knowledge, which involves significant learning costs and results in low decision-making efficiency. Many studies have already applied artificial intelligence (AI) methods to this field. Based on previous research, this study innovatively integrates large language models with DGBD, creating GreenQA, a question answering framework for multimodal data reasoning. Utilizing Retrieval Augmented Generation, Chain of Thought, and Function Call methods, GreenQA enables multimodal question answering, including weather data analysis and visualization, retrieval of green building cases, and knowledge query. Additionally, this study conducted a user survey using the GreenQA web platform. The results showed that 96% of users believed the platform helped improve design efficiency. This study not only effectively supports DGBD but also provides inspiration for AI-assisted design.
• Abstract（参考訳）: 近年,エネルギー消費と環境問題に対処するグリーンビルの重要性が広く認識されている。 研究は、初期の設計段階で40%以上のエネルギー節約が達成できることを示している。 したがって, グリーンビルの設計における意思決定は, モデル化と性能シミュレーションに基づくものであり, 建築エネルギーコストの低減に不可欠である。 しかし、グリーンビルの分野は幅広い専門知識を包含しており、かなりの学習コストと結果として意思決定効率が低下する。 多くの研究がこの分野に人工知能(AI)の手法を適用している。 これまでの研究では,大規模言語モデルをDGBDと革新的に統合し,マルチモーダルデータ推論のための問合せフレームワークであるGreenQAを開発した。 GreenQAは、検索用Augmented Generation、Chain of Thought、Function Callメソッドを利用することで、天気データ分析や可視化、グリーンビルディングケースの検索、知識クエリなどのマルチモーダルな質問応答を可能にする。 さらに,GreenQA Webプラットフォームを用いたユーザ調査を行った。 その結果、96%のユーザーがプラットフォームが設計効率の向上に役立つと信じていることがわかった。 この研究は、DGBDを効果的にサポートするだけでなく、AI支援設計のインスピレーションも提供する。

関連論文リスト

• Technical Report: Enhancing LLM Reasoning with Reward-guided Tree Search [95.06503095273395]
  o1のような推論アプローチは困難で、研究者はこのオープンな研究領域を前進させようとさまざまな試みを行ってきた。 本稿では,報酬誘導木探索アルゴリズムを用いて,LLMの推論能力を高めるための予備的な検討を行う。
  論文  参考訳（メタデータ） (2024-11-18T16:15:17Z)
• Green Federated Learning: A new era of Green Aware AI [11.536626349203361]
  フェデレートラーニング(FL)は、このニーズに対処する新たな機会を提供する。 グリーンアウェアなAIアルゴリズムの既存の取り組みとギャップをナビゲートし、理解するためのロードマップを、研究者、ステークホルダ、関心のある関係者に提供することが重要です。 この調査は主に、100を超えるFL作品を特定し分析することで、この目的を達成することを目的としている。
  論文  参考訳（メタデータ） (2024-09-19T09:54:18Z)
• Learn to Code Sustainably: An Empirical Study on LLM-based Green Code Generation [7.8273713434806345]
  生成型商用AI言語モデルにより生成された自動生成符号の持続可能性を評価する。 3つのAI言語モデルによって生成された人為的なコードとコードのパフォーマンスとグリーンキャパシティを比較した。
  論文  参考訳（メタデータ） (2024-03-05T22:12:01Z)
• The Efficiency Spectrum of Large Language Models: An Algorithmic Survey [54.19942426544731]
  LLM(Large Language Models)の急速な成長は、様々なドメインを変換する原動力となっている。 本稿では,LLMのエンドツーエンドのアルゴリズム開発に不可欠な多面的効率性について検討する。
  論文  参考訳（メタデータ） (2023-12-01T16:00:25Z)
• 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)
• Exploring the Privacy-Energy Consumption Tradeoff for Split Federated Learning [51.02352381270177]
  Split Federated Learning (SFL)は、最近、有望な分散学習技術として登場した。 SFLにおけるカット層の選択は、クライアントのエネルギー消費とプライバシに大きな影響を与える可能性がある。 本稿では、SFLプロセスの概要を概観し、エネルギー消費とプライバシを徹底的に分析する。
  論文  参考訳（メタデータ） (2023-11-15T23:23:42Z)
• On the Opportunities of Green Computing: A Survey [80.21955522431168]
  人工知能(AI)は数十年にわたり、技術と研究において大きな進歩を遂げてきた。 高いコンピューティングパワーの必要性は、より高い二酸化炭素排出量をもたらし、研究の公正性を損なう。 コンピューティングリソースの課題とAIの環境への影響に取り組むため、グリーンコンピューティングはホットな研究トピックとなっている。
  論文  参考訳（メタデータ） (2023-11-01T11:16:41Z)
• A Comparative Study of Machine Learning Algorithms for Anomaly Detection in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
  本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。 Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。 しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
  論文  参考訳（メタデータ） (2023-07-01T15:18:00Z)
• A Survey on Green Deep Learning [25.71572024291251]
  本稿では,グリーンディープラーニング技術の発展を体系的にレビューすることに焦点を当てる。 提案手法は,(1)コンパクトネットワーク,(2)エネルギー効率のトレーニング戦略,(3)エネルギー効率の推論アプローチ,(4)データ利用率の4つのカテゴリに分類される。
  論文  参考訳（メタデータ） (2021-11-08T16:55:03Z)
• A survey on Variational Autoencoders from a GreenAI perspective [0.0]
  変分オートエンコーダ(VAE)は、統計や情報理論の要素と深層ニューラルネットワークが提供する柔軟性を融合する強力な生成モデルである。 この記事では、最も成功し、最近のVAEのバリエーションについて比較評価する。
  論文  参考訳（メタデータ） (2021-03-01T15:26:39Z)

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。