論文の概要: An Online Machine Learning Multi-resolution Optimization Framework for Energy System Design Limit of Performance Analysis

• arxiv url: http://arxiv.org/abs/2604.01308v1
• Date: Wed, 01 Apr 2026 18:19:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:09.761986
• Title: An Online Machine Learning Multi-resolution Optimization Framework for Energy System Design Limit of Performance Analysis
• Title（参考訳）: オンライン学習型マルチレゾリューション最適化フレームワークによるエネルギーシステム設計における性能解析の限界
• Authors: Oluwamayowa O. Amusat, Luka Grbcic, Remi Patureau, M. Jibran S. Zuberi, Dan Gunter, Michael Wetter,
• Abstract要約: 本稿では,達成可能な性能のアーキテクチャ固有の上限を推定する,オンライン・機械学習高速化型マルチレゾリューション最適化フレームワークを提案する。 提案したマルチレゾリューション戦略により,ルールベースのコントローラと比較して,アーキテクチャと運用性能のギャップを最大42%削減できることを示す。
• 参考スコア（独自算出の注目度）: 0.24629531282150877
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Designing reliable integrated energy systems for industrial processes requires optimization and verification models across multiple fidelities, from architecture-level sizing to high-fidelity dynamic operation. However, model mismatch across fidelities obscures the sources of performance loss and complicates the quantification of architecture-to-operation performance gaps. We propose an online, machine-learning-accelerated multi-resolution optimization framework that estimates an architecture-specific upper bound on achievable performance while minimizing expensive high-fidelity model evaluations. We demonstrate the approach on a pilot energy system supplying a 1 MW industrial heat load. First, we solve a multi-objective architecture optimization to select the system configuration and component capacities. We then develop an machine learning (ML)-accelerated multi-resolution, receding-horizon optimal control strategy that approaches the achievable-performance bound for the specified architecture, given the additional controls and dynamics not captured by the architectural optimization model. The ML-guided controller adaptively schedules the optimization resolution based on predictive uncertainty and warm-starts high-fidelity solves using elite low-fidelity solutions. Our results on the pilot case study show that the proposed multi-resolution strategy reduces the architecture-to-operation performance gap by up to 42% relative to a rule-based controller, while reducing required high-fidelity model evaluations by 34% relative to the same multi-fidelity approach without ML guidance, enabling faster and more reliable design verification. Together, these gains make high-fidelity verification tractable, providing a practical upper bound on achievable operational performance.
• Abstract（参考訳）: 産業プロセスのための信頼性の高い統合エネルギーシステムの設計には、アーキテクチャレベルのサイズから高忠実度動作に至るまで、複数の忠実度にわたる最適化と検証モデルが必要である。 しかし、不確実性にまたがるモデルミスマッチは、性能損失の原因を曖昧にし、アーキテクチャと運用のパフォーマンスギャップの定量化を複雑にする。 本稿では,高忠実度モデルの評価を最小化しつつ,達成可能な性能に対するアーキテクチャ固有の上限を推定する,オンライン・機械学習高速化多分解能最適化フレームワークを提案する。 1MWの産業用熱負荷を供給するパイロットエネルギーシステムへのアプローチを実証する。 まず,システム構成とコンポーネントの容量を選択するために,多目的アーキテクチャを最適化する。 次に、アーキテクチャ最適化モデルで捉えない追加の制御とダイナミクスを考慮し、特定アーキテクチャの達成可能なパフォーマンスバウンダリにアプローチする、機械学習(ML)アクセラレーションによるマルチレゾリューション、レジング・ホライゾン最適制御戦略を開発する。 ML誘導制御器は、予測不確実性に基づいて最適化解決を適応的にスケジュールし、エリート低忠実度解を用いて高忠実度解をウォームスタートする。 パイロットケーススタディの結果,提案したマルチレゾリューション戦略は,ルールベースコントローラと比較してアーキテクチャと運用性能のギャップを最大42%削減すると同時に,MLガイダンスを使わずに同じマルチファイダリティアプローチに対して,要求される高忠実度モデル評価を34%削減し,より高速で信頼性の高い設計検証を可能にした。 これらの利得は、高忠実性検証を誘引可能とし、達成可能な運用性能に実用的な上限を与える。

関連論文リスト

• Multi-fidelity approaches for general constrained Bayesian optimization with application to aircraft design [0.34998703934432673]
  目的と制約の両方から情報を取り入れることで、最適性を損なうことなく、計算コストをさらに削減できることを示す。 提案手法を用いることで,予算に制限のある制約準拠のソリューションを86%から200%に削減できることを示す。
  論文  参考訳（メタデータ） (2026-03-30T20:36:13Z)
• AE-LLM: Adaptive Efficiency Optimization for Large Language Models [0.0]
  大規模言語モデル(LLM)は様々なアプリケーションで顕著な成功を収めているが、計算コスト、メモリ要件、エネルギー消費のため、その展開は依然として困難である。 近年の実証研究は、単一効率技術が普遍的に最適ではないことを示した。代わりに、効率的な注意機構、Mix-of-Experts(MoE)、パラメータ効率の良い微調整、量子化といった手法の有効性は、タスク特性、資源制約、モデルスケールによって大きく異なる。 AE-LLMは、特定のデプロイメントシナリオに合わせて最適な効率技術を自動的に選択し、組み合わせる統合フレームワークである。
  論文  参考訳（メタデータ） (2026-03-20T20:46:18Z)
• Efficient Onboard Vision-Language Inference in UAV-Enabled Low-Altitude Economy Networks via LLM-Enhanced Optimization [61.55616421408666]
  低高度経済ネットワーク(LAENets)は、航空監視、環境検知、セマンティックデータ収集など、様々な応用を可能にしている。 オンボードビジョン(VLM)は、リアルタイムな推論を提供するが、オンボードの動的ネットワーク条件は限られている。 動的LEENet条件下での通信効率を向上させるUAV対応LEENetシステムを提案する。
  論文  参考訳（メタデータ） (2025-10-11T05:11:21Z)
• OneCAT: Decoder-Only Auto-Regressive Model for Unified Understanding and Generation [91.45421429922506]
  OneCATは、理解、生成、編集をシームレスに統合する統合マルチモーダルモデルである。 我々のフレームワークは、推論中に視覚変換器(ViT)や視覚トークン化器などの外部コンポーネントを不要にする。
  論文  参考訳（メタデータ） (2025-09-03T17:29:50Z)
• Adaptive Multi-Fidelity Reinforcement Learning for Variance Reduction in Engineering Design Optimization [0.0]
  多要素強化学習(Multi-fidelity Reinforcement Learning, RL)フレームワークは、様々な精度とコストの分析モデルを統合することにより、計算資源を効率的に活用する。 本研究では,複数の不均一な非階層的低忠実度モデルを高忠実度モデルとともに動的に活用する適応型多忠実RLフレームワークを提案する。 提案手法の有効性はオクトコプター設計最適化問題において実証され,2つの低忠実度モデルと高忠実度シミュレータを用いた。
  論文  参考訳（メタデータ） (2025-03-23T22:29:08Z)
• A Survey on Inference Optimization Techniques for Mixture of Experts Models [50.40325411764262]
  大規模Mixture of Experts(MoE)モデルは、条件計算によるモデル容量と計算効率の向上を提供する。 これらのモデル上で推論をデプロイし実行することは、計算資源、レイテンシ、エネルギー効率において大きな課題を示す。 本調査では,システムスタック全体にわたるMoEモデルの最適化手法について分析する。
  論文  参考訳（メタデータ） (2024-12-18T14:11:15Z)
• Adaptive Learning of Design Strategies over Non-Hierarchical Multi-Fidelity Models via Policy Alignment [0.0]
  多要素強化学習フレームワークは、精度と計算コストの異なる分析モデルを活用することにより、エンジニアリング設計の効率を高める。 ALPHAは、高忠実度モデルとともに、任意の非階層的で不均一な低忠実度モデルの集合を適応的に活用することにより、高忠実度ポリシーを効率的に学習する新しい多忠実度RLフレームワークである。 ALPHAの有効性は、高忠実度モデルと2つの低忠実度モデルを用いて、分析的テスト最適化とオクトコプター設計問題において実証される。
  論文  参考訳（メタデータ） (2024-11-16T16:54:33Z)
• Optimization-Inspired Learning with Architecture Augmentations and Control Mechanisms for Low-Level Vision [74.9260745577362]
  本稿では,GDC(Generative, Discriminative, and Corrective)の原則を集約する,最適化に着想を得た統合学習フレームワークを提案する。 フレキシブルな組み合わせで最適化モデルを効果的に解くために,3つのプロパゲーティブモジュールを構築した。 低レベル視覚タスクにおける実験は、GDCの有効性と適応性を検証する。
  論文  参考訳（メタデータ） (2020-12-10T03:24:53Z)

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。