論文の概要: Physics-Informed Large Language Models for HVAC Anomaly Detection with Autonomous Rule Generation

• arxiv url: http://arxiv.org/abs/2510.17146v1
• Date: Mon, 20 Oct 2025 04:43:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:39.305118
• Title: Physics-Informed Large Language Models for HVAC Anomaly Detection with Autonomous Rule Generation
• Title（参考訳）: 自律ルール生成によるHVAC異常検出のための物理インフォームド大言語モデル
• Authors: Subin Lin, Chuanbo Hua,
• Abstract要約: 暖房、換気、エアコンは、世界の建築エネルギー利用のかなりの割合を占めている。 我々は、進化ループ内で動作し、異常検出ルールを自動生成、評価、精査する物理インフォームドLLMフレームワークであるPILLMを提案する。 提案手法では, 熱力学的・制御論的制約を埋め込んだ物理インフォームド・リフレクションとクロスオーバー演算子を導入し, 適応的・物理的基礎的ルールを実現する。
• 参考スコア（独自算出の注目度）: 2.5352713493505785
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Heating, Ventilation, and Air-Conditioning (HVAC) systems account for a substantial share of global building energy use, making reliable anomaly detection essential for improving efficiency and reducing emissions. Classical rule-based approaches offer explainability but lack adaptability, while deep learning methods provide predictive power at the cost of transparency, efficiency, and physical plausibility. Recent attempts to use Large Language Models (LLMs) for anomaly detection improve interpretability but largely ignore the physical principles that govern HVAC operations. We present PILLM, a Physics-Informed LLM framework that operates within an evolutionary loop to automatically generate, evaluate, and refine anomaly detection rules. Our approach introduces physics-informed reflection and crossover operators that embed thermodynamic and control-theoretic constraints, enabling rules that are both adaptive and physically grounded. Experiments on the public Building Fault Detection dataset show that PILLM achieves state-of-the-art performance while producing diagnostic rules that are interpretable and actionable, advancing trustworthy and deployable AI for smart building systems.
• Abstract（参考訳）: 暖房、換気、空気調和システム(HVAC)は、世界の建築エネルギー利用のかなりの割合を占めており、効率の向上と排出削減に信頼性の高い異常検出が不可欠である。 古典的なルールベースのアプローチは説明可能性を提供するが、適応性はない。 近年,大規模な言語モデル(LLM)を異常検出に利用しようとする試みは,解釈可能性の向上を図っているが,HVAC操作を管理する物理原理は無視されている。 我々は、進化ループ内で動作し、異常検出ルールを自動生成、評価、精査する物理インフォームドLLMフレームワークであるPILLMを提案する。 提案手法では, 熱力学的・制御論的制約を埋め込んだ物理インフォームド・リフレクションとクロスオーバー演算子を導入し, 適応的・物理的基礎的ルールを実現する。 パブリックなビルディングフォールト検出データセットの実験によると、PILLMは解釈可能で動作可能な診断ルールを生成し、スマートなビルディングシステムのための信頼性とデプロイ可能なAIを進化させながら、最先端のパフォーマンスを達成する。

関連論文リスト

• From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
  物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。 メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
  論文  参考訳（メタデータ） (2025-09-25T14:15:43Z)
• HOTSPOT-YOLO: A Lightweight Deep Learning Attention-Driven Model for Detecting Thermal Anomalies in Drone-Based Solar Photovoltaic Inspections [0.685316573653194]
  HotSPOT-YOLOは、効率的な畳み込みニューラルネットワークバックボーンとアテンションメカニズムを統合して、オブジェクト検出を改善する軽量人工知能(AI)モデルである。 この研究は、再生可能エネルギーシステムにおける自動故障検出に革命をもたらす、高度なAI技術と実用的なエンジニアリングアプリケーションとの統合を強調している。
  論文  参考訳（メタデータ） (2025-08-26T10:35:24Z)
• Designing Robust Software Sensors for Nonlinear Systems via Neural Networks and Adaptive Sliding Mode Control [2.884893167166808]
  本稿では,非線形力学系のためのソフトウェアセンサの設計手法を提案する。 明示的な変換や線形化に依存する従来のモデルベースオブザーバとは異なり、提案フレームワークはニューラルネットワークと適応スライディングモード制御(SMC)を統合している。 トレーニング手法は、物理に基づく制約としてシステムの制御方程式を活用することで、基底構造軌道にアクセスせずにオブザーバ合成を可能にする。
  論文  参考訳（メタデータ） (2025-07-09T13:06:58Z)
• PI-WAN: A Physics-Informed Wind-Adaptive Network for Quadrotor Dynamics Prediction in Unknown Environments [3.4802474792943805]
  本研究では, 物理インフォームド・ウィンド・アダプティブ・ネットワーク (PI-WAN) を導入する。 具体的には、PI-WANは時間的畳み込みネットワーク(TCN)アーキテクチャを採用し、歴史的飛行データから時間的依存関係を効率的にキャプチャする。 実時間予測結果をモデル予測制御(MPC)フレームワークに組み込むことで,クローズドループ追跡性能の向上を実現する。
  論文  参考訳（メタデータ） (2025-07-01T14:48:22Z)
• Anomaly Detection in Complex Dynamical Systems: A Systematic Framework Using Embedding Theory and Physics-Inspired Consistency [0.0]
  複雑な力学系における異常検出は、産業やサイバー物理のインフラにおける信頼性、安全性、効率を確保するために不可欠である。 本稿では,古典的な埋め込み理論と物理に着想を得た一貫性原理を基礎としたシステム理論による異常検出手法を提案する。 本研究は, 異常が安定系の力学を阻害する仮説を支持し, 異常検出のためのロバストな信号を提供する。
  論文  参考訳（メタデータ） (2025-02-26T17:06:13Z)
• Self-Healing Machine Learning: A Framework for Autonomous Adaptation in Real-World Environments [50.310636905746975]
  実世界の機械学習システムは、基礎となるデータ生成プロセスの分散シフトによって、モデルの性能劣化に遭遇することが多い。 概念のドリフト適応のような既存のシフトへのアプローチは、その理性に依存しない性質によって制限される。 我々はこれらの制限を克服するために自己修復機械学習(SHML)を提案する。
  論文  参考訳（メタデータ） (2024-10-31T20:05:51Z)
• Exploring Model Transferability through the Lens of Potential Energy [78.60851825944212]
  トランスファーラーニングは、事前訓練されたディープラーニングモデルが広く利用可能であることから、コンピュータビジョンタスクにおいて重要になっている。 既存のトレーニング済みモデルの転送可能性の測定方法は、符号化された静的特徴とタスクラベルの間の統計的相関に依存する。 我々はこれらの課題に対処するために,PEDという物理に着想を得たアプローチを提案する。
  論文  参考訳（メタデータ） (2023-08-29T07:15:57Z)
• Active Learning of Discrete-Time Dynamics for Uncertainty-Aware Model Predictive Control [46.81433026280051]
  本稿では,非線形ロボットシステムの力学を積極的にモデル化する自己教師型学習手法を提案する。 我々のアプローチは、目に見えない飛行条件に一貫して適応することで、高いレジリエンスと一般化能力を示す。
  論文  参考訳（メタデータ） (2022-10-23T00:45:05Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Information Theoretic Model Predictive Q-Learning [64.74041985237105]
  本稿では,情報理論的MPCとエントロピー正規化RLとの新たな理論的関連性を示す。 バイアスモデルを利用したQ-ラーニングアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2019-12-31T00:29:22Z)

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。