論文の概要: A Scalable Digital Twin Framework for Energy Optimization in Data Centers

• arxiv url: http://arxiv.org/abs/2605.05581v1
• Date: Thu, 07 May 2026 02:00:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.48241
• Title: A Scalable Digital Twin Framework for Energy Optimization in Data Centers
• Title（参考訳）: データセンターにおけるエネルギー最適化のためのスケーラブルなディジタルツインフレームワーク
• Authors: Raphael Hendrigo de Souza Gonçalves, Wendel Marcos dos Santos,
• Abstract要約: 本研究では,データセンターにおけるエネルギー最適化のためのスケーラブルなDigital Twinフレームワークを提案する。 このフレームワークはIoTベースのデータ取得、クラウドコンピューティング、機械学習技術を統合し、リアルタイム監視、予測、インテリジェントエネルギー管理を可能にする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study proposes a scalable Digital Twin framework for energy optimization in data centers.The framework integrates IoT-based data acquisition, cloud computing, and machine learning techniques to enable real-time monitoring, forecasting, and intelligent energy management. A controlled small-scale data center environment was developed to monitor variables such as power consumption, temperature, and computational workload. Long Short-Term Memory (LSTM) models were employed to predict energy demand and support operational decision-making. Experimental results demonstrated improvements in energy efficiency, including reductions in power consumption and enhancements in Power Usage Effectiveness (PUE). Despite being evaluated in a constrained environment, the proposed framework demonstrates strong potential as a scalable and cost-effective solution for sustainable data center management.
• Abstract（参考訳）: このフレームワークは、IoTベースのデータ取得、クラウドコンピューティング、機械学習技術を統合し、リアルタイムモニタリング、予測、インテリジェントエネルギー管理を可能にする。 電力消費、温度、計算負荷などの変数を監視するため、制御された小規模データセンター環境が開発された。 LSTM(Long Short-Term Memory)モデルは、エネルギー需要を予測し、運用上の意思決定をサポートするために用いられた。 実験の結果,電力消費の削減や電力利用効率(PUE)の向上など,エネルギー効率の改善が示された。 制約のある環境で評価されているにもかかわらず、提案フレームワークは、持続可能なデータセンター管理のためのスケーラブルで費用対効果の高いソリューションとして、強い可能性を示す。

関連論文リスト

• Introducing AI-Driven IoT Energy Management Framework [0.0]
  IoTシステムの基盤を確立するための総合的なフレームワークの提案は、コンテキストによる意思決定に重点を置いている。 正確性と相互接続性を持ったIoTシステムのための構造化プロセスは、消費電力の削減とグリッド安定性のサポートをサポートする。 また、Power Consumption Time Seriesデータを用いて、フレームワークの直接的な応用を示す性能を評価した。
  論文  参考訳（メタデータ） (2025-11-29T05:28:26Z)
• Improving AI Efficiency in Data Centres by Power Dynamic Response [74.12165648170894]
  近年、人工知能(AI)の着実に成長が加速し、洗練されたモデルの開発が進められている。 AIの潜在能力を最大限に活用するためには、堅牢で信頼性の高い電力インフラの確保が不可欠だ。 しかし、AIデータセンターは電力に非常に飢えており、彼らの電力管理の問題が注目されている。
  論文  参考訳（メタデータ） (2025-10-13T08:08:21Z)
• Joint Resource Management for Energy-efficient UAV-assisted SWIPT-MEC: A Deep Reinforcement Learning Approach [50.52139512096988]
  6G Internet of Things (IoT)ネットワークは、地上インフラストラクチャが利用できない遠隔地や災害シナリオにおいて、課題に直面している。 本稿では、指向性アンテナにより強化された新しい無人航空機(UAV)支援コンピューティングシステムを提案する。
  論文  参考訳（メタデータ） (2025-05-06T06:46:19Z)
• BiTSA: Leveraging Time Series Foundation Model for Building Energy Analytics [15.525789412274587]
  本稿では対話型可視化ツールBiTSAの設計について述べる。 このツールは、マネージャが複雑なエネルギーデータを素早く解釈し、リアルタイムの洞察に基づいて、即座にデータ駆動のアクションを取ることを可能にする。
  論文  参考訳（メタデータ） (2024-11-20T23:49:06Z)
• Heuristics and Metaheuristics for Dynamic Management of Computing and Cooling Energy in Cloud Data Centers [0.0]
  共同冷却・計算最適化のための新しい電力・熱対応戦略とモデルを提案する。 結果から,メタヒューリスティックアルゴリズムと最適適応アルゴリズムの併用により,グローバルエネルギーを高速かつ軽量な最適化戦略に記述できることが示唆された。 このアプローチにより、コンピューティングと冷却インフラストラクチャの両方を考慮して、データセンターのエネルギー効率を21.74%向上し、サービス品質を維持しながら、最大で21.74%向上できる。
  論文  参考訳（メタデータ） (2023-12-17T09:40:36Z)
• Empowering Distributed Solutions in Renewable Energy Systems and Grid Optimization [3.8979646385036175]
  機械学習(ML)の進歩は再生可能エネルギー源の強化とグリッド管理の改善に重要な役割を果たしている。 ビッグデータとMLをスマートグリッドに組み込むことは、エネルギー効率の向上など、いくつかのメリットを提供する。 しかし、大規模なデータボリュームの処理、サイバーセキュリティの確保、専門知識の獲得といった課題に対処する必要がある。
  論文  参考訳（メタデータ） (2023-10-24T02:45:16Z)
• Sustainable AIGC Workload Scheduling of Geo-Distributed Data Centers: A Multi-Agent Reinforcement Learning Approach [48.18355658448509]
  生成的人工知能の最近の進歩は、機械学習トレーニングの需要が急増し、エネルギー消費の大幅な増加によるコスト負担と環境問題を引き起こしている。 地理的に分散したクラウドデータセンタ間でのトレーニングジョブのスケジューリングは、安価で低炭素エネルギーのコンピューティング能力の使用を最適化する機会を浮き彫りにする。 本研究では,実生活におけるワークロードパターン,エネルギー価格,炭素強度を組み込んだクラウドシステムと対話することで,マルチエージェント強化学習とアクタクリティカルな手法に基づく最適協調スケジューリング戦略の学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-17T02:12:30Z)
• Power Modeling for Effective Datacenter Planning and Compute Management [53.41102502425513]
  我々は,すべてのハードウェア構成とワークロードに適用可能な,正確でシンプルで解釈可能な統計パワーモデルの設計と検証の2つのクラスについて論じる。 提案された統計的モデリング手法は, 単純かつスケーラブルでありながら, 4つの特徴のみを用いて, 95% 以上の多様な配電ユニット (2000 以上) に対して, 5% 未満の絶対パーセンテージエラー (MAPE) で電力を予測できることを実証した。
  論文  参考訳（メタデータ） (2021-03-22T21:22:51Z)
• A robust modeling framework for energy analysis of data centers [0.0]
  データセンターはエネルギー集約型であり、電力需要が大きく成長している。 現在のモデルでは、データセンターに対して一貫した高次元エネルギー分析を提供していない。 本研究の目的は,政策立案者やデータセンタエネルギーアナリストに対して,データセンターエネルギーの利用状況と効率性に関する包括的理解を提供することである。
  論文  参考訳（メタデータ） (2020-06-11T21:05:20Z)
• Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
  エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。 定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。 実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
  論文  参考訳（メタデータ） (2020-02-20T04:58:07Z)
• NeurOpt: Neural network based optimization for building energy management and climate control [58.06411999767069]
  モデル同定のコストを削減するために,ニューラルネットワークに基づくデータ駆動制御アルゴリズムを提案する。 イタリアにある10の独立したゾーンを持つ2階建ての建物で、学習と制御のアルゴリズムを検証する。
  論文  参考訳（メタデータ） (2020-01-22T00:51:03Z)

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。