論文の概要: Bridging Artificial Intelligence and Power Systems Education Using a Hands-On Executable Framework

• arxiv url: http://arxiv.org/abs/2608.02599v1
• Date: Mon, 03 Aug 2026 17:59:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.751705
• Title: Bridging Artificial Intelligence and Power Systems Education Using a Hands-On Executable Framework
• Title（参考訳）: ハンズオン実行型フレームワークによる人工知能と電力システム教育のブリッジ
• Abstract要約: 本稿では、電力システムにおけるAIの参入障壁を低くするオープンで実行可能なモジュールライブラリからなるフレームワークを提案する。 モジュールは、コアAI概念を代表的なパワーシステムタスクにマップする、進歩的な難易度はしごに従っている。 すべてのモジュールは、ローカルまたはGoogle Colab上で動作するJupyterノートブックとしてリリースされている。
• 参考スコア（独自算出の注目度）: 1.315766151337659
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial intelligence (AI) is increasingly central to power and energy systems, supporting modeling, forecasting, optimization, and control. Yet most existing works emphasize specialized applications and offer little reusable material for newcomers or interdisciplinary learners, who increasingly rely on large language models rather than building their own. This gap points to a need for engineering-grounded AI (EGAI), in which AI workflows follow established engineering and power-system domain rules rather than acting as task-agnostic black boxes. Motivated by a community survey of researchers and practitioners, which shows 92% report at least one barrier before running an AI model and 94% want a power-specific hands-on course. This paper presents a framework consisting of open, executable module library that lowers the entry barrier for AI in power systems. The modules follow a progressive difficulty ladder that maps core AI concepts onto representative power-system tasks: (i) foundational deep neural network (DNN) templates for function approximation and load-curve fitting; (ii) a domain-coupled convolutional neural network (CNN) power-flow surrogate for a 5-bus system; and (iii) frontier modules on DNN-assisted optimization, deep reinforcement learning (DRL) for battery storage control, and physics-informed neural networks (PINNs) for the swing equation. All modules are released as Jupyter notebooks that run locally or on Google Colab and are delivered through an IEEE online course and IEEE Power & Energy Society (PES) webinar series. The webinar drew more than 590 live attendees, which is among the ten most-attended IEEE PES webinars, and over 344 repository visits within two weeks, reinforcing the survey-based motivation.
• Abstract（参考訳）: 人工知能(AI)は、モデリング、予測、最適化、制御をサポートし、電力とエネルギーシステムの中心的存在になりつつある。 しかし、既存のほとんどの研究は、専門的な応用に重点を置いており、新参者や学際的な学習者にとって再利用可能な資料をほとんど提供していない。 このギャップは、タスクに依存しないブラックボックスとして振る舞うのではなく、AIワークフローが確立したエンジニアリングとパワーシステムドメインルールに従う、エンジニアリングベースAI(EGAI)の必要性を示している。 92%がAIモデルを実行する前に少なくとも1つの障壁を報告し、94%がパワー固有のハンズオンコースを求めている。 本稿では、電力システムにおけるAIの参入障壁を低くするオープンで実行可能なモジュールライブラリからなるフレームワークを提案する。 モジュールは、コアAI概念を代表的なパワーシステムタスクにマップする、進歩的な難易度はしごに従っている。 (i)機能近似と負荷曲線整合のための基礎的ディープニューラルネットワーク(DNN)テンプレート (II)5バスシステムのためのドメイン結合畳み込みニューラルネットワーク(CNN)のパワーフローサロゲート 3) DNN支援最適化におけるフロンティアモジュール, 蓄電池制御のための深部強化学習(DRL), 揺動方程式のための物理インフォームドニューラルネットワーク(PINN)について検討した。 すべてのモジュールは、ローカルまたはGoogle Colab上で実行されるJupyterノートブックとしてリリースされ、IEEEオンラインコースとIEEE Power & Energy Society(PES)ウェビナーシリーズを通じて配信される。 このウェビナーには590人以上のライブ参加者が参加し、IEEE PESのウェビナーとして最も注目されており、2週間以内に344人以上のレポジトリが訪問され、調査ベースのモチベーションが強化された。

関連論文リスト

• Report for NSF Workshop on AI for Electronic Design Automation [56.48556959103223]
  本報告は、電子設計自動化のためのAIワークショップ(NSF Workshop on AI for Electronic Design Automation, EDA)の議論とレコメンデーションを精査するものである。 機械学習とEDAを専門とするワークショップでは、AIが拡張する大規模言語モデル(LLM)、グラフニューラルネットワーク(GNN)、強化学習(RL)、ニューロシンボリックメソッドなどについて調査した。 報告書では、AI/EDAコラボレーションの促進、EDAのための基礎的AIへの投資、堅牢なデータインフラストラクチャの開発、スケーラブルなコンピューティングインフラストラクチャの促進、ハードウェア設計の民主化と次世代ハードウェアシステムの実現のための労働力開発への投資をNSFが推奨している。
  論文  参考訳（メタデータ） (2026-01-20T23:45:40Z)
• Embedded FPGA Acceleration of Brain-Like Neural Networks: Online Learning to Scalable Inference [0.0]
  高レベル合成を用いた Zynq UltraScale+ システム上で,BCPNN 用の最初の FPGA アクセラレータを提案する。 私たちのアクセラレータは、ARMベースライン上で最大17.5倍のレイテンシと94%の省エネを実現しています。 この作業により、エッジデバイス上での実用的なニューロモーフィックコンピューティングが可能になり、脳に似た学習と現実世界のデプロイメントのギャップを埋める。
  論文  参考訳（メタデータ） (2025-06-23T11:35:20Z)
• NNsight and NDIF: Democratizing Access to Open-Weight Foundation Model Internals [58.83169560132308]
  NNsightとNDIFを導入し、非常に大きなニューラルネットワークによって学習された表現と計算の科学的研究を可能にする。
  論文  参考訳（メタデータ） (2024-07-18T17:59:01Z)
• Green Edge AI: A Contemporary Survey [46.11332733210337]
  AIの変換力は、ディープニューラルネットワーク(DNN)の利用から導かれる。 ディープラーニング(DL)は、エンドユーザーデバイス(EUD)に近い無線エッジネットワークに移行しつつある。 その可能性にもかかわらず、エッジAIは大きな課題に直面している。主な原因は、無線エッジネットワークのリソース制限と、DLのリソース集約的な性質の分離である。
  論文  参考訳（メタデータ） (2023-12-01T04:04:37Z)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)

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。