論文の概要: From Transformers to Large Language Models: A systematic review of AI applications in the energy sector towards Agentic Digital Twins

• arxiv url: http://arxiv.org/abs/2506.06359v1
• Date: Tue, 03 Jun 2025 10:02:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 21:10:47.021274
• Title: From Transformers to Large Language Models: A systematic review of AI applications in the energy sector towards Agentic Digital Twins
• Title（参考訳）: トランスフォーマーから大規模言語モデルへ:エージェントデジタル双対へのエネルギーセクターにおけるAI応用の体系的レビュー
• Authors: Gabriel Antonesi, Tudor Cioara, Ionut Anghel, Vasilis Michalakopoulos, Elissaios Sarmas, Liana Toderean,
• Abstract要約: 我々は、トランスフォーマーと大規模言語モデルに焦点を当てたエネルギー領域におけるAIアプリケーションの急速な拡大分野を概観する。 我々は、研究フロンティアが急速に拡大している分野について、実践的な実装、イノベーション、および強調する。 我々は,LLMを統合した次世代モデルであるAgentic Digital Twinの概念を導入し,自律性,積極性,社会的相互作用をディジタルツインベースのエネルギー管理システムに導入する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial intelligence (AI) has long promised to improve energy management in smart grids by enhancing situational awareness and supporting more effective decision-making. While traditional machine learning has demonstrated notable results in forecasting and optimization, it often struggles with generalization, situational awareness, and heterogeneous data integration. Recent advances in foundation models such as Transformer architecture and Large Language Models (LLMs) have demonstrated improved capabilities in modelling complex temporal and contextual relationships, as well as in multi-modal data fusion which is essential for most AI applications in the energy sector. In this review we synthesize the rapid expanding field of AI applications in the energy domain focusing on Transformers and LLMs. We examine the architectural foundations, domain-specific adaptations and practical implementations of transformer models across various forecasting and grid management tasks. We then explore the emerging role of LLMs in the field: adaptation and fine tuning for the energy sector, the type of tasks they are suited for, and the new challenges they introduce. Along the way, we highlight practical implementations, innovations, and areas where the research frontier is rapidly expanding. These recent developments reviewed underscore a broader trend: Generative AI (GenAI) is beginning to augment decision-making not only in high-level planning but also in day-to-day operations, from forecasting and grid balancing to workforce training and asset onboarding. Building on these developments, we introduce the concept of the Agentic Digital Twin, a next-generation model that integrates LLMs to bring autonomy, proactivity, and social interaction into digital twin-based energy management systems.
• Abstract（参考訳）: 人工知能(AI)は、状況認識を高め、より効果的な意思決定をサポートすることで、スマートグリッドのエネルギー管理を改善することを長年約束してきた。 従来の機械学習は予測と最適化において顕著な結果を示しているが、一般化、状況認識、異種データ統合に苦戦することが多い。 トランスフォーマーアーキテクチャやLarge Language Models (LLMs)のような基盤モデルの最近の進歩は、複雑な時間的および文脈的関係をモデル化する能力や、エネルギーセクターにおけるほとんどのAIアプリケーションに不可欠なマルチモーダルデータ融合を実証している。 本稿では、トランスフォーマーとLLMに着目したエネルギー領域におけるAIアプリケーションの急速な拡大分野を合成する。 各種予測・グリッド管理タスクにおけるトランスフォーマーモデルのアーキテクチャ基盤,ドメイン固有の適応,実践的実装について検討する。 次に、エネルギーセクターの適応と微調整、それらが適するタスクの種類、そしてそれらが導入する新しい課題について、LLMの分野における新たな役割を探求する。 その過程では、実践的な実装、イノベーション、そして研究フロンティアが急速に拡大している領域を強調します。 ジェネレーティブAI(GenAI)は、ハイレベルな計画だけでなく、予測やグリッドバランスから労働トレーニング、アセットオンボードに至るまで、日々の業務においても意思決定を強化し始めている。 これらの発展に基づいて,我々は次世代モデルであるエージェント・デジタル・ツイン(Agentic Digital Twin)の概念を導入し,自律性,積極性,社会的相互作用をディジタルツインベースのエネルギー管理システムに導入する。

関連論文リスト

• Energy-Efficient Deep Reinforcement Learning with Spiking Transformers [3.037387520023979]
  スパイキングニューラルネットワーク(SNN)は、機械学習にエネルギー効率の良い代替手段を提供する。 新しいSpike-Transformer Reinforcement Learning (STRL)アルゴリズムは、SNNのエネルギー効率と強化学習の強力な意思決定能力を組み合わせる。 SNN Transformerは従来のエージェントベースのTransformerに比べて大幅に改善されたポリシー性能を実現する。
  論文  参考訳（メタデータ） (2025-05-20T15:52:43Z)
• Generative AI for Autonomous Driving: Frontiers and Opportunities [145.6465312554513]
  この調査は、自律運転スタックにおけるGenAIの役割の包括的合成を提供する。 まず、VAE、GAN、拡散モデル、および大規模言語モデルを含む、現代の生成モデリングの原則とトレードオフを蒸留することから始めます。 我々は、合成データ一般化、エンドツーエンド駆動戦略、高忠実なデジタルツインシステム、スマートトランスポートネットワーク、具体化されたAIへのクロスドメイン転送など、実用的な応用を分類する。
  論文  参考訳（メタデータ） (2025-05-13T17:59:20Z)
• Edge-Cloud Collaborative Computing on Distributed Intelligence and Model Optimization: A Survey [59.52058740470727]
  エッジクラウドコラボレーティブコンピューティング(ECCC)は、現代のインテリジェントアプリケーションの計算要求に対処するための重要なパラダイムとして登場した。 AIの最近の進歩、特にディープラーニングと大規模言語モデル(LLM)は、これらの分散システムの能力を劇的に向上させてきた。 この調査は、基本的なアーキテクチャ、技術の実現、新しいアプリケーションに関する構造化されたチュートリアルを提供する。
  論文  参考訳（メタデータ） (2025-05-03T13:55:38Z)
• Transforming the Hybrid Cloud for Emerging AI Workloads [82.21522417363666]
  このホワイトペーパーでは、AIワークロードの複雑さの増大に対応するために、ハイブリッドクラウドシステムを変革することを想定している。 提案したフレームワークは、エネルギー効率、性能、コスト効率において重要な課題に対処する。 この共同イニシアチブは、ハイブリッドクラウドをセキュアで効率的で持続可能なプラットフォームとして確立することを目的としています。
  論文  参考訳（メタデータ） (2024-11-20T11:57:43Z)
• Collaborative AI in Sentiment Analysis: System Architecture, Data Prediction and Deployment Strategies [3.3374611485861116]
  大規模言語モデル(LLM)に基づく人工知能技術は、特に感情分析においてゲームチェンジャーとなっている。 しかし、複雑なマルチモーダルデータを処理するための多様なAIモデルの統合と、それに伴う機能抽出の高コストは、大きな課題を呈している。 本研究では,様々なAIシステムにまたがるタスクを効率的に分散・解決するための協調型AIフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-17T06:14:34Z)
• Towards General Industrial Intelligence: A Survey of Continual Large Models in Industrial IoT [25.16997700703974]
  本調査では,大規模モデル(LM)とのIIoT統合とその産業環境への応用について検討する。 我々は,言語ベース,視覚ベース,時系列,マルチモーダルモデルという,産業用LMの4つの主要なタイプに注目した。 IIoTが豊富な多様なデータリソースをどのように提供するかを分析し、LMのトレーニングと微調整をサポートする。
  論文  参考訳（メタデータ） (2024-09-02T12:35:59Z)
• Generative AI Agent for Next-Generation MIMO Design: Fundamentals, Challenges, and Vision [76.4345564864002]
  次世代の多重入力多重出力(MIMO)はインテリジェントでスケーラブルであることが期待される。 本稿では、カスタマイズされた特殊コンテンツを生成することができる生成型AIエージェントの概念を提案する。 本稿では、生成AIエージェントをパフォーマンス分析に活用することの有効性を示す2つの説得力のあるケーススタディを示す。
  論文  参考訳（メタデータ） (2024-04-13T02:39:36Z)

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。