論文の概要: DDD-GenDT: Dynamic Data-driven Generative Digital Twin Framework

• arxiv url: http://arxiv.org/abs/2501.00051v1
• Date: Sat, 28 Dec 2024 01:13:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-05 16:54:29.903106
• Title: DDD-GenDT: Dynamic Data-driven Generative Digital Twin Framework
• Title（参考訳）: DDD-GenDT: 動的データ駆動型生成デジタルツインフレームワーク
• Authors: Yu-Zheng Lin, Qinxuan Shi, Zhanglong Yang, Banafsheh Saber Latibari, Sicong Shao, Soheil Salehi, Pratik Satam,
• Abstract要約: デジタルツイン(DT)技術は、物理システムの振る舞いをシミュレートし、予測し、最適化するためのトランスフォーメーションアプローチとして登場した。 本稿では、動的データ駆動型アプリケーションシステム(DDDAS)にインスパイアされた、デジタルツインツフレームワーク(DDD-GenDT)の動的データ駆動型生成手法を提案する。 本研究では, コンピュータ数値制御(CNC)加工プロセスにDDD-GenDTを適用し, NASAのミリング摩耗データセットにおけるスピンドル電流測定データを例として用いた。
• 参考スコア（独自算出の注目度）: 0.4498483767417395
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Digital twin (DT) technology has emerged as a transformative approach to simulate, predict, and optimize the behavior of physical systems, with applications that span manufacturing, healthcare, climate science, and more. However, the development of DT models often faces challenges such as high data requirements, integration complexity, and limited adaptability to dynamic changes in physical systems. This paper presents a new method inspired by dynamic data-driven applications systems (DDDAS), called the dynamic data-driven generative of digital twins framework (DDD-GenDT), which combines the physical system with LLM, allowing LLM to act as DT to interact with the physical system operating status and generate the corresponding physical behaviors. We apply DDD-GenDT to the computer numerical control (CNC) machining process, and we use the spindle current measurement data in the NASA milling wear data set as an example to enable LLMs to forecast the physical behavior from historical data and interact with current observations. Experimental results show that in the zero-shot prediction setting, the LLM-based DT can adapt to the change in the system, and the average RMSE of the GPT-4 prediction is 0.479A, which is 4.79% of the maximum spindle motor current measurement of 10A, with little training data and instructions required. Furthermore, we analyze the performance of DDD-GenDT in this specific application and their potential to construct digital twins. We also discuss the limitations and challenges that may arise in practical implementations.
• Abstract（参考訳）: デジタルツイン(DT)技術は、物理的システムの振る舞いをシミュレートし、予測し、最適化するための変革的アプローチとして、製造業、医療、気候科学などにまたがる応用として登場した。 しかし、DTモデルの開発は、高いデータ要求、統合の複雑さ、物理的システムの動的変化への適応性の制限といった課題に直面していることが多い。 本稿では、動的データ駆動型アプリケーションシステム(DDDAS)に触発された新しい手法について述べる。この手法は、物理系とLCMを組み合わせた動的データ駆動型デジタルツインツフレームワーク(DDD-GenDT)の動的データ駆動型生成であり、LCMがDTとして動作し、物理系動作状態と相互作用し、対応する物理挙動を生成する。 コンピュータ数値制御(CNC)加工プロセスにDDD-GenDTを適用し,その例として,NASAのミリング摩耗データセットのスピンドル電流測定データを用いて,LLMが過去のデータから物理挙動を予測し,現在の観測と相互作用できるようにする。 実験の結果、ゼロショット予測設定では、LDMベースのDTはシステムの変化に適応でき、GPT-4予測の平均RMSEは0.479Aであり、これは10Aの最大スピンドルモータ電流測定の4.79%であり、訓練データや指示は少ない。 さらに、この特定のアプリケーションにおけるDDD-GenDTの性能とデジタルツインの構築の可能性を分析する。 また,実践的に発生するであろう限界や課題についても論じる。

関連論文リスト

• OATS: Online Data Augmentation for Time Series Foundation Models [49.1394215208561]
  時系列基礎モデル(TSFM)は時間分析の強力なパラダイムであり、しばしばデータ品質を向上させるために合成データ拡張によって強化される。 OATS (Online Data Augmentation for Time Series Foundation Models) は、異なるトレーニング手順に合わせて合成データを生成する基本戦略である。
  論文  参考訳（メタデータ） (2026-01-26T23:51:03Z)
• Adaptive Digital Twin of Sheet Metal Forming via Proper Orthogonal Decomposition-Based Koopman Operator with Model Predictive Control [14.54038067557375]
  デジタルツイン(DT)技術は、複雑なプロセスのリアルタイム予測、監視、制御を可能にすることで製造を変革している。 本研究では,物理認識次元減少のための適切な直交分解(POD)を統合する適応DTフレームワークを提案する。 リアルタイムに演算子係数を更新するために、オンライン再帰最小平方法(RLS)アルゴリズムを導入し、DTモデルの連続的な適応を可能にする。
  論文  参考訳（メタデータ） (2025-11-13T23:24:17Z)
• Digital Twin-enabled Multi-generation Control Co-Design with Deep Reinforcement Learning [8.45003507603975]
  Control Co-Design (CCD)は、物理的および制御システム設計を統合し、動的および自律的なシステムの性能を改善する。 本稿では,Deep Reinforcement Learning(DRL)を統合したDT対応CCDフレームワークについて述べる。
  論文  参考訳（メタデータ） (2025-10-12T16:46:05Z)
• Large Language Model-Empowered Decision Transformer for UAV-Enabled Data Collection [71.84636717632206]
  空間分散デバイスからの信頼性とエネルギー効率のよいデータ収集のための無人航空機(UAV)は、IoT(Internet of Things)アプリケーションをサポートする上で大きな可能性を秘めている。 有効なUAV制御ポリシーを学習するための共同言語モデル(LLM)を提案する。 LLM-CRDTは、現在の最先端DTアプローチよりも最大36.7%高いエネルギー効率を達成し、オンラインおよびオフラインメソッドのベンチマークより優れている。
  論文  参考訳（メタデータ） (2025-09-17T13:05:08Z)
• Learning from Imperfect Data: Robust Inference of Dynamic Systems using Simulation-based Generative Model [4.430997638097218]
  本研究では,動的システムに対する高精度かつロバストな推論を可能にするシミュレーションに基づく不完全データ生成モデル(SiGMoID)を提案する。 我々は、SiGMoIDがデータノイズを定量化し、システムパラメータを推定し、観測されていないシステムコンポーネントを推測することを示した。
  論文  参考訳（メタデータ） (2025-07-15T00:56:21Z)
• PIGPVAE: Physics-Informed Gaussian Process Variational Autoencoders [42.8983261737774]
  本稿では,物理制約を組み込んでデータから学習し,性能を向上させる新しい生成モデルを提案する。 生成過程に物理モデルを組み込むことで、VAEアーキテクチャを拡張し、基礎となるダイナミクスをより効果的に捉えることができる。 我々はPIGPVAEが観測された分布を超えて現実的なサンプルを作成できることを示した。
  論文  参考訳（メタデータ） (2025-05-25T21:12:01Z)
• Bridging the Reality Gap in Digital Twins with Context-Aware, Physics-Guided Deep Learning [3.0996501197166975]
  デジタルツイン(DT)は強力な予測分析を可能にするが、シミュレーションと実際のシステムの相違 - 現実のギャップとして知られ、信頼性を損なう。 本稿では,新しいセンサデータを連続的に統合し,誤りを検知し,クエリ応答フレームワークを介してDTを再検討する,DTのためのReal Gap Analysis(RGA)モジュールを提案する。 提案手法は,コンテキスト推論の改善と物理的整合性維持のために,ドメイン・アドバイサル深層学習と低次シミュレータ誘導を融合する。
  論文  参考訳（メタデータ） (2025-05-17T05:18:46Z)
• Physics Informed Constrained Learning of Dynamics from Static Data [8.346864633675414]
  物理インフォームドニューラルネットワーク(PINN)は、制御物理法則をニューラルネットワークのアーキテクチャに統合することにより、システムのダイナミクスをモデル化する。 既存のPINNフレームワークは、完全に観測された時間軸データに依存しており、多くのシステムでは取得が禁止される可能性がある。 本研究では,非時間コースや部分的に観測されたデータを用いて一階微分や動きを近似できる新しいPINN学習パラダイムであるConstrained Learningを開発した。
  論文  参考訳（メタデータ） (2025-04-17T06:06:53Z)
• Data-driven Modeling of Parameterized Nonlinear Fluid Dynamical Systems with a Dynamics-embedded Conditional Generative Adversarial Network [0.0]
  本稿では,動的生成条件付きGAN(Dyn-cGAN)を代理モデルとして,パラメータ化非線形流体力学系を正確に予測する。 学習したDyn-cGANモデルはシステムの流れ場を正確に予測するためにシステムパラメータを考慮に入れている。
  論文  参考訳（メタデータ） (2024-12-23T20:50:20Z)
• Automatically Learning Hybrid Digital Twins of Dynamical Systems [56.69628749813084]
  Digital Twins (DT)は、現実世界のシステムの状態と時間力学をシミュレートする。 DTは、しばしばデータスカース設定で目に見えない条件に一般化するのに苦労します。 本稿では,HDTwinsを自律的に提案し,評価し,最適化するための進化的アルゴリズム(textbfHDTwinGen$)を提案する。
  論文  参考訳（メタデータ） (2024-10-31T07:28:22Z)
• Sustainable Diffusion-based Incentive Mechanism for Generative AI-driven Digital Twins in Industrial Cyber-Physical Systems [65.22300383287904]
  産業用サイバー物理システム(ICPS)は、現代の製造業と産業にとって不可欠なコンポーネントである。 製品ライフサイクルを通じてデータをデジタル化することにより、ICPSのDigital Twins(DT)は、現在の産業インフラからインテリジェントで適応的なインフラへの移行を可能にします。 GenAIはDTの構築と更新を推進し、予測精度を改善し、多様なスマート製造に備える。
  論文  参考訳（メタデータ） (2024-08-02T10:47:10Z)
• Constructing and Evaluating Digital Twins: An Intelligent Framework for DT Development [11.40908718824589]
  デジタルツインズ(DT)の開発は、制御されたデジタル空間における複雑なシステムをシミュレートし最適化するための変革的な進歩を表している。 本稿では,アルゴリズム性能試験におけるDTの精度と有用性を高めるために,DTの構築と評価のためのインテリジェントなフレームワークを提案する。 本稿では,Deep Learning-based policy gradient techniqueを統合してDTパラメータを動的に調整し,物理システムのデジタル複製における高い忠実性を確保する手法を提案する。
  論文  参考訳（メタデータ） (2024-06-19T01:45:18Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• Image-based Deep Learning for Smart Digital Twins: a Review [0.0]
  スマートデジタルツイン(SDT)は、複雑な物理的システムの振る舞いを仮想的に再現し、予測するためにますます利用されている。 ディープラーニング(DL)モデルは、SDTの機能を大幅に強化した。 本稿では,画像ベースSDTの開発における様々なアプローチと課題について論じる。
  論文  参考訳（メタデータ） (2024-01-04T20:17:25Z)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• Through-life Monitoring of Resource-constrained Systems and Fleets [0.0]
  デジタルツイン(Digital Twin、DT)は、経済、社会的、商業的な価値を付加する決定を行うための情報を提供する物理システムのシミュレーションである。 リソース制約のあるシステムでは、オンボード学習やオフボードデータ転送といった課題のため、DTの更新は簡単ではない。 本稿では,システムヘルスモニタリングを目的とした資源制約付きシステムのデータ駆動型DTを更新するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-01-03T09:26:18Z)
• Meta-Learning of Neural State-Space Models Using Data From Similar Systems [11.206109495578705]
  本稿では,深層エンコーダネットワークを用いたSSM構築のためのモデルに依存しないメタラーニングを提案する。 メタラーニングは教師付き学習や伝達学習よりも正確な神経SSMモデルが得られることを示す。
  論文  参考訳（メタデータ） (2022-11-14T22:03:35Z)
• Edge Continual Learning for Dynamic Digital Twins over Wireless Networks [68.65520952712914]
  デジタルツイン(DT)は、現実世界とメタバースの間の重要なリンクを構成する。 本稿では,物理的双生児とそれに対応するサイバー双生児の親和性を正確にモデル化する新しいエッジ連続学習フレームワークを提案する。 提案するフレームワークは,破滅的忘れ込みに対して頑健な,高精度かつ同期的なCTモデルを実現する。
  論文  参考訳（メタデータ） (2022-04-10T23:25:37Z)
• Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
  本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。 静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
  論文  参考訳（メタデータ） (2022-02-25T20:00:56Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)
• Learning to Continuously Optimize Wireless Resource In Episodically Dynamic Environment [55.91291559442884]
  この研究は、データ駆動型手法が動的環境で継続的に学習し、最適化できる方法論を開発する。 本稿では,無線システム学習のモデリングプロセスに連続学習の概念を構築することを提案する。 我々の設計は、異なるデータサンプル間で「一定の公正性を保証する」新しいmin-maxの定式化に基づいている。
  論文  参考訳（メタデータ） (2020-11-16T08:24:34Z)

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。