論文の概要: PowerChain: A Verifiable Agentic AI System for Automating Distribution Grid Analyses

• arxiv url: http://arxiv.org/abs/2508.17094v2
• Date: Thu, 16 Oct 2025 22:58:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-20 13:49:08.690504
• Title: PowerChain: A Verifiable Agentic AI System for Automating Distribution Grid Analyses
• Title（参考訳）: PowerChain:分散グリッド分析を自動化する検証可能なエージェントAIシステム
• Authors: Emmanuel O. Badmus, Peng Sang, Dimitrios Stamoulis, Amritanshu Pandey,
• Abstract要約: 急激な電化と脱炭は、分散グリッド(DG)の運用と計画の複雑さを増している。 これらの分析は、専門家の知識を必要とし、自動化が困難であるさまざまなモデル、関数呼び出し、データパイプラインに依存します。 我々は,複雑なグリッド分析を自律的に行うことができるエージェントシステムPowerChainを構築した。
• 参考スコア（独自算出の注目度）: 1.9682121767943495
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Rapid electrification and decarbonization are increasing the complexity of distribution grid (DG) operation and planning, necessitating advanced computational analyses to ensure reliability and resilience. These analyses depend on disparate workflows comprising complex models, function calls, and data pipelines that require substantial expert knowledge and remain difficult to automate. Workforce and budget constraints further limit utilities' ability to apply such analyses at scale. To address this gap, we build an agentic system PowerChain, which is capable of autonomously performing complex grid analyses. Existing agentic AI systems are typically developed in a bottom-up manner with customized context for predefined analysis tasks; therefore, they do not generalize to tasks that the agent has never seen. In comparison, to generalize to unseen DG analysis tasks, PowerChain dynamically generates structured context by leveraging supervisory signals from self-contained power systems tools (e.g., GridLAB-D) and an optimized set of expert-annotated and verified reasoning trajectories. For complex DG tasks defined in natural language, empirical results on real utility data demonstrate that PowerChain achieves up to a 144/% improvement in performance over baselines.
• Abstract（参考訳）: 急激な電化と脱炭は分散グリッド(DG)の運用と計画の複雑さを増し、信頼性とレジリエンスを確保するために高度な計算分析を必要としている。 これらの分析は、複雑なモデル、関数呼び出し、データパイプラインで構成される異なるワークフローに依存します。 労働力と予算の制約により、そのような分析を大規模に適用するユーティリティの能力はさらに制限される。 このギャップに対処するために,複雑なグリッド分析を自律的に行うことができるエージェントシステムPowerChainを構築した。 既存のエージェントAIシステムは、通常、事前に定義された分析タスクのためにカスタマイズされたコンテキストでボトムアップで開発される。 比較として,PowerChainは自己完結型電力システムツール(GridLAB-D)と専門家による注釈付き検証された推論トラジェクトリの最適化セットからの監視信号を活用することで,構造化されたコンテキストを動的に生成する。 自然言語で定義された複雑なDGタスクに対して、実効用データに対する実証的な結果は、PowerChainがベースラインよりも144/%パフォーマンスの改善を達成していることを示している。

関連論文リスト

• Leveraging Knowledge Graphs and LLM Reasoning to Identify Operational Bottlenecks for Warehouse Planning Assistance [1.2749527861829046]
  我々のフレームワークは知識グラフ(KG)とLarge Language Model(LLM)ベースのエージェントを統合している。 生のDESデータを意味的にリッチなKGに変換し、シミュレーションイベントとエンティティの関係をキャプチャする。 LLMベースのエージェントは反復推論を使用し、相互依存的なサブクエストを生成する。各サブクエストに対して、KGインタラクションのためのCypherクエリを生成し、情報を抽出し、エラーを修正する。
  論文  参考訳（メタデータ） (2025-07-23T07:18:55Z)
• Graphs Meet AI Agents: Taxonomy, Progress, and Future Opportunities [117.49715661395294]
  データ構造化は、複雑で非組織的なデータをよく構造化された形式に変換することで、有望な役割を果たす。 この調査では、グラフがAIエージェントにどのように権限を与えるかを、初めて体系的にレビューする。
  論文  参考訳（メタデータ） (2025-06-22T12:59:12Z)
• Intelligent Assistants for the Semiconductor Failure Analysis with LLM-Based Planning Agents [2.2626080389297654]
  失敗分析(FA)は、非常に複雑で知識集約的なプロセスである。 FAラボの計算インフラにおけるAIコンポーネントの統合は、さまざまなタスクを自動化する可能性がある。 本稿では,Large Language Model (LLM) を用いた計画エージェント (LPA) の設計と実装について検討する。
  論文  参考訳（メタデータ） (2025-06-18T15:43:10Z)
• TaskCraft: Automated Generation of Agentic Tasks [39.33785092294476]
  エージェントタスクは、自律性、ツールの使用、適応推論による多段階的な問題解決を必要とする。 textscCraftTaskは、難易度、マルチツール、検証可能なエージェントタスクを生成する自動化ワークフローである。 本稿では,エージェントチューニングと評価に関する今後の研究を支援するために,約36,000のタスクからなる大規模合成データセットを提案する。
  論文  参考訳（メタデータ） (2025-06-11T17:58:14Z)
• Data Analysis in the Era of Generative AI [56.44807642944589]
  本稿では,AIを活用したデータ分析ツールの可能性について考察する。 我々は、大規模言語とマルチモーダルモデルの出現が、データ分析ワークフローの様々な段階を強化する新しい機会を提供する方法について検討する。 次に、直感的なインタラクションを促進し、ユーザ信頼を構築し、AI支援分析ワークフローを複数のアプリにわたって合理化するための、人間中心の設計原則を調べます。
  論文  参考訳（メタデータ） (2024-09-27T06:31:03Z)
• ComfyBench: Benchmarking LLM-based Agents in ComfyUI for Autonomously Designing Collaborative AI Systems [80.69865295743149]
  この研究は、LLMベースのエージェントを使用して、協調AIシステムを自律的に設計する試みである。 ComfyBenchをベースとしたComfyAgentは,エージェントが自律的に協調的なAIシステムを生成して設計できるようにするフレームワークである。 ComfyAgentは、o1-previewに匹敵する解像度を達成し、ComfyBenchの他のエージェントをはるかに上回っているが、ComfyAgentはクリエイティブタスクの15%しか解決していない。
  論文  参考訳（メタデータ） (2024-09-02T17:44:10Z)
• Octopus: Embodied Vision-Language Programmer from Environmental Feedback [58.04529328728999]
  身体視覚言語モデル(VLM)は多モード認識と推論において大きな進歩を遂げた。 このギャップを埋めるために、我々は、計画と操作を接続する媒体として実行可能なコード生成を使用する、具体化された視覚言語プログラマであるOctopusを紹介した。 Octopusは、1)エージェントの視覚的およびテキスト的タスクの目的を正確に理解し、2)複雑なアクションシーケンスを定式化し、3)実行可能なコードを生成するように設計されている。
  論文  参考訳（メタデータ） (2023-10-12T17:59:58Z)
• Decentralized Graph-Based Multi-Agent Reinforcement Learning Using Reward Machines [5.34590273802424]
  報酬処理装置を用いて各エージェントのタスクを符号化し、報酬関数の内部構造を公開する。 本稿では,各エージェントに局所的なポリシーを付与する分散グラフに基づく強化学習アルゴリズムを提案する。 提案したDGRMアルゴリズムの有効性は,UAVパッケージデリバリーとCOVID-19パンデミック緩和の2つのケーススタディにより評価された。
  論文  参考訳（メタデータ） (2021-09-30T21:41:55Z)

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。