Fugu-MT 論文翻訳(概要): The Challenges of Using Reinforcement Learning for Controlling Industrial Energy Systems

論文の概要: The Challenges of Using Reinforcement Learning for Controlling Industrial Energy Systems

arxiv url: http://arxiv.org/abs/2605.31044v1
Date: Fri, 29 May 2026 09:20:39 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-01 20:56:50.500938
Title: The Challenges of Using Reinforcement Learning for Controlling Industrial Energy Systems
Title（参考訳）: 産業エネルギーシステムの制御における強化学習の課題
Abstract要約: 強化学習は、産業エネルギーシステムの制御を最適化するための有望な結果を示している。実世界の産業エネルギーシステムにおける強化学習の展開課題について検討する。
参考スコア（独自算出の注目度）: 14.988208501175777
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Reinforcement learning has shown promising results for optimizing the control of industrial energy systems, yet most existing studies remain limited to the application in simulation environments. We investigate the challenges of deploying reinforcement learning in a real-world industrial energy system, considering a thermal heating network as a use case. We formulate the task as a Markov Decision Process and systematically analyze the associated challenges along the structure of the formal description, including partial observability, action space design, reward design, and the simulation-to-reality gap. The challenges are grounded in an existing real-world deployment, where reinforcement learning achieves operational stability but shows a significant performance gap compared to simulation.
Abstract（参考訳）: 強化学習は、産業エネルギーシステムの制御を最適化するための有望な結果を示しているが、既存のほとんどの研究はシミュレーション環境における適用に限られている。本研究では, 実世界の産業エネルギーシステムに強化学習を展開させる上での課題について, 熱暖房ネットワークを事例として検討する。我々はマルコフ決定プロセスとしてタスクを定式化し、部分的可観測性、アクション空間設計、報酬設計、シミュレーションと現実のギャップを含む形式的記述の構造に沿った課題を体系的に分析する。これらの課題は、強化学習が運用上の安定性を達成するが、シミュレーションと比較して大きなパフォーマンスギャップを示す、既存の実世界のデプロイメントに根ざしている。

関連論文リスト

Impact of Markov Decision Process Design on Sim-to-Real Reinforcement Learning [0.0]
この研究は、コアマルコフ決定プロセス(MDP)の設計選択がこの伝達にどのように影響するかを体系的に分析する。カラーミキシングタスクを用いて,様々なMDP構成を評価し,シミュレーションや実世界の実験で動的に混合する。物理ハードウェアに関する我々の知見を検証し、物理に基づく力学モデルが50%以上の実世界の成功を達成できることを実証した。
論文参考訳（メタデータ） (2026-03-10T09:41:37Z)
Grounding LLMs in Scientific Discovery via Embodied Actions [84.11877211907647]
大規模言語モデル (LLMs) は科学的発見に大きな可能性を示しているが、理論的推論と物理シミュレーションのギャップを埋めるのに苦労している。 EmbodiedActは、確立された科学ソフトウェアを、密着した知覚・実行ループによる実施行動の基盤化により、アクティブな実施エージェントに変換するフレームワークである。
論文参考訳（メタデータ） (2026-02-24T07:37:18Z)
Operator Learning for Power Systems Simulation [9.317239577584411]
オペレータ学習(Operator Learning)は、関数間のマッピングを学習する機械学習手法のファミリーである。時間領域シミュレーションは電力系統の安定性と動的性能を研究・向上するための重要なツールである。本稿では、粗い時間ステップで訓練されたモデルから微細分解能力学への一般化を可能にするシミュレーション時間ステップ不変性の概念について検討する。
論文参考訳（メタデータ） (2025-10-09T21:10:35Z)
Machine Learning for Physical Simulation Challenge Results and Retrospective Analysis: Power Grid Use Case [5.382597165456225]
本稿では電力グリッドシミュレーションの計算課題の増大、特に風や太陽といった再生可能エネルギー源の統合の増大に対処する。これに取り組むために、少なくとも1桁のオーダーで電力フローシミュレーションを加速するAI駆動の手法を開発するために、競争が組織された。本稿では、ML4PhySim(Machine Learning for Physical Simulation)コンペティションの概要と、ベンチマークスイートの詳細、トップパフォーマンスソリューションの分析について述べる。
論文参考訳（メタデータ） (2025-05-02T09:58:27Z)
Graph-Enhanced Model-Free Reinforcement Learning Agents for Efficient Power Grid Topological Control [0.24578723416255752]
本稿では,従来の知識を使わずに電力ネットワークの運用を最適化することを目的とした,強化学習のモデルフリーフレームワークにおける新しいアプローチを提案する。提案手法は,停電に対するグリッド安定性を確保しつつ,一貫した電力損失削減を実現することを実証する。
論文参考訳（メタデータ） (2025-03-26T16:20:30Z)
Reusing Embeddings: Reproducible Reward Model Research in Large Language Model Alignment without GPUs [58.18140409409302]
大規模言語モデル (LLM) は強化学習 (RL) を通じて構造化タスクに大きく進歩した。チャットボットやコンテンツ生成といった幅広い分野にRLを適用することは、ユニークな課題だ。埋め込み型報酬モデルを用いた既存の報酬モデルアンサンブル研究の再現事例について述べる。
論文参考訳（メタデータ） (2025-02-04T19:37:35Z)
Addressing the sustainable AI trilemma: a case study on LLM agents and RAG [7.6212949300713015]
大規模言語モデル(LLM)は重要な機能を示しているが、その広範なデプロイメントとより高度なアプリケーションによって、重要な持続可能性の課題が提起されている。本稿では、持続可能なAIトリレムマの概念を提案し、AI能力、デジタルエクイティ、環境サステナビリティの緊張関係を強調する。
論文参考訳（メタデータ） (2025-01-14T17:21:16Z)
Learning Iterative Reasoning through Energy Diffusion [90.24765095498392]
我々は,エネルギー拡散による反復的推論(IRED)を紹介した。 IREDは入力条件と所望の出力の間の制約を表現するためにエネルギー関数を学ぶ。 IREDは、連続空間推論、離散空間推論、計画タスクにおいて既存の手法よりも優れていることを示す。
論文参考訳（メタデータ） (2024-06-17T03:36:47Z)
Actively Learning Costly Reward Functions for Reinforcement Learning [56.34005280792013]
複雑な実世界の環境でエージェントを訓練することは、桁違いに高速であることを示す。強化学習の手法を新しい領域に適用することにより、興味深く非自明な解を見つけることができることを示す。
論文参考訳（メタデータ） (2022-11-23T19:17:20Z)
Constructing Neural Network-Based Models for Simulating Dynamical Systems [59.0861954179401]
データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
論文参考訳（メタデータ） (2021-11-02T10:51:42Z)
Seeing Differently, Acting Similarly: Imitation Learning with Heterogeneous Observations [126.78199124026398]
多くの実世界の模倣学習タスクでは、デモレーターと学習者は異なるが完全な観察空間で行動しなければならない。本研究では、上記の学習問題を異種観察学習(HOIL)としてモデル化する。本稿では,重要度重み付け,拒否学習,アクティブクエリに基づくIWREアルゴリズムを提案する。
論文参考訳（メタデータ） (2021-06-17T05:44:04Z)

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。