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

• arxiv url: http://arxiv.org/abs/2501.00051v2
• Date: Mon, 18 Aug 2025 21:07:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-20 19:50:20.20206
• 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, Shalaka Satam, Sicong Shao, Soheil Salehi, Pratik Satam,
• Abstract要約: デジタルツイン(DT)技術は、物理システムのリアルタイムシミュレーション、予測、最適化を可能にする。 この記事では、動的データ駆動型アプリケーションシステムパラダイムに基づく動的データ駆動型ディジタルツインフレームワークであるDDD-GenDTを紹介します。 生成AIを活用することにより、DDD-GenDTは、広範な履歴データセットへの依存を低減し、データスカース設定でのDT構築を可能にする。
• 参考スコア（独自算出の注目度）: 0.43127334486935653
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Digital twin (DT) technology enables real-time simulation, prediction, and optimization of physical systems, but practical deployment faces challenges from high data requirements, proprietary data constraints, and limited adaptability to evolving conditions. This work introduces DDD-GenDT, a dynamic data-driven generative digital twin framework grounded in the Dynamic Data-Driven Application Systems (DDDAS) paradigm. The architecture comprises the Physical Twin Observation Graph (PTOG) to represent operational states, an Observation Window Extraction process to capture temporal sequences, a Data Preprocessing Pipeline for sensor structuring and filtering, and an LLM ensemble for zero-shot predictive inference. By leveraging generative AI, DDD-GenDT reduces reliance on extensive historical datasets, enabling DT construction in data-scarce settings while maintaining industrial data privacy. The DDDAS feedback mechanism allows the DT to autonomically adapt predictions to physical twin (PT) wear and degradation, supporting DT-aging, which ensures progressive synchronization of DT with PT evolution. The framework is validated using the NASA CNC milling dataset, with spindle current as the monitored variable. In a zero-shot setting, the GPT-4-based DT achieves an average RMSE of 0.479 A (4.79% of the 10 A spindle current), accurately modeling nonlinear process dynamics and PT aging without retraining. These results show that DDD-GenDT provides a generalizable, data-efficient, and adaptive DT modeling approach, bridging generative AI with the performance and reliability requirements of industrial DT applications.
• Abstract（参考訳）: デジタルツイン(DT)技術は、物理システムのリアルタイムシミュレーション、予測、最適化を可能にするが、実際のデプロイメントは、高いデータ要求、プロプライエタリなデータ制約、進化する条件への適応性の制限といった課題に直面している。 この記事では、DDD-GenDTを紹介します。これは、動的データ駆動型アプリケーションシステム(DDDAS)パラダイムに基づく、動的データ駆動型デジタルツインフレームワークです。 このアーキテクチャは、動作状態を表す物理双対観測グラフ(PTOG)と、時間的シーケンスをキャプチャする観測ウィンドウ抽出プロセスと、センサの構造化とフィルタリングのためのデータ前処理パイプラインと、ゼロショット予測推論のためのLLMアンサンブルとを含む。 生成AIを活用することにより、DDD-GenDTは、広範な履歴データセットへの依存を低減し、産業データのプライバシを維持しながら、データ共有設定でのDT構築を可能にする。 DDDASのフィードバックメカニズムにより、DTは物理的ツイン(PT)の摩耗と劣化に自律的に予測を適用することができ、DTエイジングをサポートし、PT進化を伴うDTの漸進的同期を保証する。 フレームワークはNASA CNCミリングデータセットを使用して検証され、スピンドル電流が監視変数として使用される。 ゼロショット設定では、GPT-4ベースのDTは平均RMSEが0.479A(10Aスピンドル電流の4.79%)に達し、非線形プロセスのダイナミクスとPTの老化をリトレーニングなしで正確にモデル化する。 これらの結果から,DDD-GenDTは産業用DTアプリケーションの性能と信頼性を考慮し,汎用的でデータ効率のよい適応型DTモデリングアプローチを提供することがわかった。

関連論文リスト

• 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)
• 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)
• 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)
• 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。