論文の概要: Machine Learning for Physical Simulation Challenge Results and Retrospective Analysis: Power Grid Use Case

• arxiv url: http://arxiv.org/abs/2505.01156v1
• Date: Fri, 02 May 2025 09:58:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-05 17:21:19.987911
• Title: Machine Learning for Physical Simulation Challenge Results and Retrospective Analysis: Power Grid Use Case
• Title（参考訳）: 物理シミュレーション結果の機械学習とふりかえり分析:電力グリッド利用事例
• Authors: Milad Leyli-Abadi, Jérôme Picault, Antoine Marot, Jean-Patrick Brunet, Agathe Gilain, Amarsagar Reddy Ramapuram Matavalam, Shaban Ghias Satti, Quingbin Jiang, Yang Liu, Dean Justin Ninalga,
• Abstract要約: 本稿では電力グリッドシミュレーションの計算課題の増大、特に風や太陽といった再生可能エネルギー源の統合の増大に対処する。 これに取り組むために、少なくとも1桁のオーダーで電力フローシミュレーションを加速するAI駆動の手法を開発するために、競争が組織された。 本稿では、ML4PhySim(Machine Learning for Physical Simulation)コンペティションの概要と、ベンチマークスイートの詳細、トップパフォーマンスソリューションの分析について述べる。
• 参考スコア（独自算出の注目度）: 5.382597165456225
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper addresses the growing computational challenges of power grid simulations, particularly with the increasing integration of renewable energy sources like wind and solar. As grid operators must analyze significantly more scenarios in near real-time to prevent failures and ensure stability, traditional physical-based simulations become computationally impractical. To tackle this, a competition was organized to develop AI-driven methods that accelerate power flow simulations by at least an order of magnitude while maintaining operational reliability. This competition utilized a regional-scale grid model with a 30\% renewable energy mix, mirroring the anticipated near-future composition of the French power grid. A key contribution of this work is through the use of LIPS (Learning Industrial Physical Systems), a benchmarking framework that evaluates solutions based on four critical dimensions: machine learning performance, physical compliance, industrial readiness, and generalization to out-of-distribution scenarios. The paper provides a comprehensive overview of the Machine Learning for Physical Simulation (ML4PhySim) competition, detailing the benchmark suite, analyzing top-performing solutions that outperformed traditional simulation methods, and sharing key organizational insights and best practices for running large-scale AI competitions. Given the promising results achieved, the study aims to inspire further research into more efficient, scalable, and sustainable power network simulation methodologies.
• Abstract（参考訳）: 本稿では電力グリッドシミュレーションの計算課題の増大、特に風や太陽といった再生可能エネルギー源の統合の増大に対処する。 グリッド演算子は、故障を防止し安定性を確保するために、ほぼリアルタイムではるかに多くのシナリオを解析しなければなりません。 これに取り組むために、運用信頼性を維持しつつ、少なくとも1桁のオーダーで電力フローシミュレーションを加速するAI駆動の手法を開発するために、競争が組織された。 この競争は、30 %の再生可能エネルギー混合を伴う地域規模のグリッドモデルを利用し、フランス電力グリッドの予想される近未来の構成を反映した。 この研究の重要な貢献は、LIPS(Learning Industrial Physical Systems)の使用である。これは、機械学習のパフォーマンス、物理的コンプライアンス、産業的準備性、アウト・オブ・ディストリビューションシナリオへの一般化という、4つの重要な側面に基づくソリューションの評価を行うベンチマークフレームワークである。 本稿では、ML4PhySim(Machine Learning for Physical Simulation)コンペティションの概要、ベンチマークスイートの詳細、従来のシミュレーション手法を上回るパフォーマンスの高いソリューションの分析、大規模AIコンペティションの実行における重要な組織的洞察とベストプラクティスの共有などについて概説する。 この研究は、有望な成果を生かして、より効率的でスケーラブルで持続可能な電力ネットワークシミュレーション手法の研究を促進することを目的としている。

関連論文リスト

• Robo-taxi Fleet Coordination at Scale via Reinforcement Learning [21.266509380044912]
  この研究は、数学的モデリングとデータ駆動技術を統合する新しい意思決定フレームワークを導入している。 本稿では、強化学習のレンズを通してAMoDコーディネート問題を示し、グラフネットワークに基づくフレームワークを提案する。 特に、強化学習のレンズを通してAMoDコーディネート問題を示し、グラフネットワークに基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-08T15:19:41Z)
• DSMoE: Matrix-Partitioned Experts with Dynamic Routing for Computation-Efficient Dense LLMs [70.91804882618243]
  本稿では,事前学習したFFN層を計算ブロックに分割することで,分散化を実現するDSMoEを提案する。 我々は,Sigmoid アクティベーションとストレートスルー推定器を用いた適応型エキスパートルーティングを実装し,トークンがモデル知識の様々な側面に柔軟にアクセスできるようにする。 LLaMAモデルを用いた実験により、DSMoEは既存のプルーニング法やMoE法に比べて優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-02-18T02:37:26Z)
• Optimal Power Grid Operations with Foundation Models [0.0]
  本稿では,AIファンデーションモデル(FM)とグラフニューラルネットワークの進歩を利用して,ダウンストリームタスクの低可用性グリッドデータを効率的に活用することを提案する。 グリッドの基盤となる物理を捉えるために、電力流力学を学習する自己教師型モデルの構築は、電力グリッドのためのFMを開発するための重要な第一歩であると信じている。
  論文  参考訳（メタデータ） (2024-09-03T09:06:13Z)
• NeurIPS 2024 ML4CFD Competition: Harnessing Machine Learning for Computational Fluid Dynamics in Airfoil Design [15.301599529509057]
  この課題は、エアフォイル設計シミュレーション(Airfoil design simulation)という、確立された物理応用の基礎となる課題に焦点を当てている。 この競争はML駆動のサロゲート法を探求する先駆的な試みである。 このコンペティションは、参加するすべてのソリューションに対して、オンライントレーニングと評価を提供する。
  論文  参考訳（メタデータ） (2024-06-30T21:48:38Z)
• CompeteSMoE -- Effective Training of Sparse Mixture of Experts via Competition [52.2034494666179]
  スパース・ミックス・オブ・エキスパート(SMoE)は、ネットワークの深さや幅を増大させる平均を超えた、モデルの複雑さをスケールアップする魅力的なソリューションを提供する。 本稿では,この表現崩壊の根本的な課題に対処する競合機構を提案する。 入力を最も高い神経応答を持つ専門家にのみルーティングすることにより、コンペティションが最適推定器と同じ収束率を持つことを示す。
  論文  参考訳（メタデータ） (2024-02-04T15:17:09Z)
• Machine Learning Insides OptVerse AI Solver: Design Principles and Applications [74.67495900436728]
  本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。 本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。 本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
  論文  参考訳（メタデータ） (2024-01-11T15:02:15Z)
• Data-driven Energy Efficiency Modelling in Large-scale Networks: An Expert Knowledge and ML-based Approach [8.326834499339107]
  本稿では,通信ネットワーク(SRCON)フレームワークのシミュレーション現実について紹介する。 ライブのネットワークデータを活用し、機械学習(ML)とエキスパートベースのモデルをブレンドする。 その結果、ネットワークエネルギー効率のモデリングにオペレーターが使用する最先端技術よりも大きな効果が得られた。
  論文  参考訳（メタデータ） (2023-12-31T10:03:08Z)
• Distributed intelligence on the Edge-to-Cloud Continuum: A systematic literature review [62.997667081978825]
  このレビューは、現在利用可能な機械学習とデータ分析のための最先端ライブラリとフレームワークに関する包括的なビジョンを提供することを目的としている。 現在利用可能なEdge-to-Cloud Continuumに関する実験的な研究のための、主要なシミュレーション、エミュレーション、デプロイメントシステム、テストベッドも調査されている。
  論文  参考訳（メタデータ） (2022-04-29T08:06:05Z)
• Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
  マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。 ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
  論文  参考訳（メタデータ） (2020-02-21T02:14:38Z)

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。