論文の概要: BuildEvo: Designing Building Energy Consumption Forecasting Heuristics via LLM-driven Evolution

• arxiv url: http://arxiv.org/abs/2507.12207v1
• Date: Wed, 16 Jul 2025 13:07:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-17 19:00:11.396612
• Title: BuildEvo: Designing Building Energy Consumption Forecasting Heuristics via LLM-driven Evolution
• Title（参考訳）: BuildEvo: LLM駆動進化によるビルエネルギー消費予測ヒューリスティックの設計
• Authors: Subin Lin, Chuanbo Hua,
• Abstract要約: 本稿では,Large Language Models (LLM) を用いて,有効かつ解釈可能なエネルギー予測を自動的に設計する新しいフレームワークであるBuildEvoを紹介する。 進化的なプロセスの中で、BuildEvoはLLMの構築と強化をガイドし、構築特性と運用データから物理的洞察を体系的に取り入れる。 評価は、BuildEvoがベンチマークで最先端のパフォーマンスを達成し、一般化と透過的な予測ロジックを改善したことを示している。
• 参考スコア（独自算出の注目度）: 0.7366405857677227
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate building energy forecasting is essential, yet traditional heuristics often lack precision, while advanced models can be opaque and struggle with generalization by neglecting physical principles. This paper introduces BuildEvo, a novel framework that uses Large Language Models (LLMs) to automatically design effective and interpretable energy prediction heuristics. Within an evolutionary process, BuildEvo guides LLMs to construct and enhance heuristics by systematically incorporating physical insights from building characteristics and operational data (e.g., from the Building Data Genome Project 2). Evaluations show BuildEvo achieves state-of-the-art performance on benchmarks, offering improved generalization and transparent prediction logic. This work advances the automated design of robust, physically grounded heuristics, promoting trustworthy models for complex energy systems.
• Abstract（参考訳）: 正確な建築エネルギー予測は不可欠であるが、伝統的なヒューリスティックスは精度を欠くことが多く、高度なモデルは不透明であり、物理原理を無視して一般化に苦しむことがある。 本稿では,Large Language Models (LLMs) を用いて,有効かつ解釈可能なエネルギー予測ヒューリスティックを自動設計する新しいフレームワークであるBuildEvoを紹介する。 進化的なプロセスの中で、BuildEvoはLLMに、構築特性と運用データ(例:Building Data Genome Project 2)からの物理的な洞察を体系的に取り入れることで、ヒューリスティックスの構築と強化を指導する。 評価は、BuildEvoがベンチマークで最先端のパフォーマンスを達成し、一般化と透過的な予測ロジックを改善したことを示している。 この研究は、堅牢で物理的に基礎付けられたヒューリスティックの自動化設計を推進し、複雑なエネルギーシステムの信頼できるモデルを促進する。

関連論文リスト

• EmboCoach-Bench: Benchmarking AI Agents on Developing Embodied Robots [68.29056647487519]
  Embodied AIは、高忠実度シミュレーションと大規模データ収集によって実現されている。 しかし、このスケーリング能力は、労働集約的な手作業の監視に依存しているため、いまだにボトルネックになっている。 実装ポリシーを自律的に構築するための LLM エージェントの能力を評価するベンチマークである textscEmboCoach-Bench を紹介する。
  論文  参考訳（メタデータ） (2026-01-29T11:33:49Z)
• PAI-Bench: A Comprehensive Benchmark For Physical AI [70.22914615084215]
  ビデオ生成モデルは、物理的に一貫性のあるダイナミクスを維持するのに苦労することが多い。 マルチモーダルな大言語モデルは、予測と因果解釈において限られた性能を示す。 これらの観測は、現在のシステムは、物理AIの知覚的および予測的要求を扱う初期段階にあることを示唆している。
  論文  参考訳（メタデータ） (2025-12-01T18:47:39Z)
• Feedback-Driven Tool-Use Improvements in Large Language Models via Automated Build Environments [70.42705564227548]
  大規模言語モデル(LLM)のための環境自動構築パイプラインを提案する。 これにより、外部ツールに頼ることなく、詳細な測定可能なフィードバックを提供する高品質なトレーニング環境の作成が可能になる。 また、ツール使用の精度とタスク実行の完全性の両方を評価する検証可能な報酬機構も導入する。
  論文  参考訳（メタデータ） (2025-08-12T09:45:19Z)
• Physics-Guided Memory Network for Building Energy Modeling [0.7499722271664147]
  本稿では,ディープラーニングモデルと物理モデルからの予測を統合し,それらの制約に対処するニューラルネットワークであるPgMNを紹介する。 PgMNは、スマートグリッドとスマートビルディングシステムにおける運用上の意思決定において重要な、短時間のエネルギー予測で評価された。
  論文  参考訳（メタデータ） (2025-08-05T15:16:19Z)
• EyeSim-VQA: A Free-Energy-Guided Eye Simulation Framework for Video Quality Assessment [68.77813885751308]
  EyeSimVQAは、自由エネルギーベースの自己修復を取り入れた新しいVQAフレームワークである。 現状の手法と比較して,EyeSimVQAは競争力や性能に優れることを示す。
  論文  参考訳（メタデータ） (2025-06-13T08:00:54Z)
• Triple Attention Transformer Architecture for Time-Dependent Concrete Creep Prediction [0.0]
  本稿では, 時間依存コンクリートクリープ予測のための新しい三重注意変換器アーキテクチャを提案する。 具体的なクリープ予測を言語処理に類似した自己回帰シーケンスモデリングタスクに変換することで,我々のアーキテクチャはトランスフォーマーの自己認識機構を活用する。 このアーキテクチャは、平均絶対パーセンテージ誤差1.63%、R2値0.999を全データセットで達成する。
  論文  参考訳（メタデータ） (2025-05-28T22:30:35Z)
• Physics-Informed Autonomous LLM Agents for Explainable Power Electronics Modulation Design [19.96029805922374]
  電力変換器の変調設計を自動化するLLM駆動システムPHIA(Physics-Informed Autonomous Agent)を紹介する。 従来のパイプラインベースの手法とは対照的に、PHIAにはLLMベースの計画モジュールが組み込まれており、設計要件をインタラクティブに取得し検証している。 実験の結果、PHIAは第2のベンチマークと比べて標準平均絶対誤差を63.2%削減し、全体的な設計プロセスを33倍以上加速した。
  論文  参考訳（メタデータ） (2024-11-21T15:24:41Z)
• Exploring Capabilities of Time Series Foundation Models in Building Analytics [15.525789412274587]
  モノのインターネット(IoT)ネットワークは、エネルギー消費の管理と最適化を変革した。 公開可能な2つのIoTデータセットの包括的なベンチマークを実施しています。 分析の結果, 単一モードモデルは, 建物におけるデータの変動性と物理的制約の複雑さを克服する上で, 極めて有望であることが示唆された。
  論文  参考訳（メタデータ） (2024-10-28T02:49:22Z)
• Large Language Model Agent as a Mechanical Designer [7.136205674624813]
  本研究では、FEMモジュールと協調して事前訓練された大規模言語モデル(LLM)を利用して、構造設計を自律的に生成、評価、洗練するフレームワークを提案する。 LLMはドメイン固有の微調整なしで動作し、設計候補を提案し、FEMから派生した性能指標を解釈し、構造的な音響修正を適用する。 NSGA-II (Non-Sorting Genetic Algorithm II) と比較して,本手法はより高速に収束し,より少ないFEM評価を実現する。
  論文  参考訳（メタデータ） (2024-04-26T16:41:24Z)
• Energy Transformer [64.22957136952725]
  我々の研究は、機械学習における有望な3つのパラダイム、すなわち注意機構、エネルギーベースモデル、連想記憶の側面を組み合わせる。 本稿では,エネルギー変換器(ET,Energy Transformer)と呼ばれる新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-02-14T18:51:22Z)
• A Dynamic Feedforward Control Strategy for Energy-efficient Building System Operation [59.56144813928478]
  現在の制御戦略と最適化アルゴリズムでは、そのほとんどはリアルタイムフィードバックから情報を受け取ることに依存している。 本稿では,システム制御のためのシステム特性を同時に構築することによる,ダイナミックな事前知識を組み込む,エンジニアフレンドリな制御戦略フレームワークを提案する。 典型的な制御戦略でシステム制御を加熱するケースでテストしたところ、我々のフレームワークは15%の省エネ性を持っていることがわかった。
  論文  参考訳（メタデータ） (2023-01-23T09:07:07Z)
• Design Space Exploration and Explanation via Conditional Variational Autoencoders in Meta-model-based Conceptual Design of Pedestrian Bridges [52.77024349608834]
  本稿では,条件付き変分オートエンコーダ(CVAE)による人間設計者向上のための性能駆動型設計探索フレームワークを提案する。 CVAEはスイスの歩行者橋の合成例18万件で訓練されている。
  論文  参考訳（メタデータ） (2022-11-29T17:28:31Z)
• Adversarial Self-Attention for Language Understanding [89.265747130584]
  本稿では,textitAdversarial Self-Attention Mechanism (ASA)を提案する。 ASAはトランスフォーマーの注意を逆向きに再構築し、汚染されたモデル構造からのモデルトレーニングを促進する。 微調整の場合、ASAを動力とするモデルは、一般化とロバスト性の両方を考慮すると、単純モデルよりも常に大きなマージンで勝る。
  論文  参考訳（メタデータ） (2022-06-25T09:18:10Z)
• Interpreting Machine Learning Models for Room Temperature Prediction in Non-domestic Buildings [0.0]
  本研究では,非住宅の室温予測を目的とした解釈可能な機械学習モデルを提案する。 提案モデルでは, 室温をリアルタイムで8時間前に正確に予測できることを実験的に実証した。
  論文  参考訳（メタデータ） (2021-11-23T11:16:35Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)

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。