論文の概要: ArchEGraph: A Large-Scale Graph Dataset for Geometry-Topology-Physics Aligned Building Energy Modeling
- arxiv url: http://arxiv.org/abs/2608.06772v1
- Date: Fri, 07 Aug 2026 03:45:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-10 16:21:25.342488
- Title: ArchEGraph: A Large-Scale Graph Dataset for Geometry-Topology-Physics Aligned Building Energy Modeling
- Title（参考訳）: ArchEGraph: 建築エネルギーモデリングを考慮した幾何学-トポロジー-物理の大規模グラフデータセット
- Abstract要約: ArchEGraphは大規模なベンチマークデータセットで、構造を整列した幾何学、トポロジ、気象、ゾーンレベルの熱負荷を持つ異種グラフとして表現する。
データセットには5,481棟の建物と49,326棟のビル・ウェザーシミュレーションケースが含まれている。
- 参考スコア（独自算出の注目度）: 13.018187478378422
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate estimation of building energy use is essential for achieving carbon neutral and sustainable buildings. To better understand the influence of design decisions on building energy use and calibrate machine learning models that can give architects and engineers rapid design feedback, large-scale datasets are needed that explicitly map building geometry to performance. We present ArchEGraph, a large-scale benchmark dataset that represents buildings as heterogeneous graphs with aligned geometry, topology, weather, and zone-level thermal loads. The dataset contains 5,481 buildings and 49,326 validated building-weather simulation cases. In total, it includes over 133,000 space nodes and 1.44 million face nodes, reflecting substantial geometric and topological complexity. Based on ArchEGraph, we define two benchmark tasks: (i) graph reconstruction from polygonal meshes, aiming to recover topological structure from geometric representations; and (ii) topology-informed load prediction, which leverages graph structure and temporal weather conditions to forecast zone-level response time series. We further introduce standardized evaluation protocols for both tasks and conduct cross-building and cross-climate generalization experiments to assess model robustness. ArchEGraph provides a unified testbed for studying geometry-topology-physics coupling in building energy modeling, enabling the development and evaluation of scalable and generalizable surrogate models.
- Abstract（参考訳）: 建築エネルギー利用の正確な評価は, 炭素中性・持続可能な建物の実現に不可欠である。
設計決定がエネルギー使用に与える影響をよりよく理解し、アーキテクトやエンジニアに迅速な設計フィードバックを与える機械学習モデルを校正するためには、建築幾何学をパフォーマンスに明示的にマッピングする大規模なデータセットが必要である。
大規模なベンチマークデータセットであるArchEGraphは、建物を整列幾何学、トポロジ、気象、ゾーンレベルの熱負荷を伴う不均一なグラフとして表現する。
データセットには5,481棟の建物と49,326棟のビル・ウェザーシミュレーションケースが含まれている。
合計で133,000の空間ノードと144万の面ノードがあり、幾何的および位相的複雑さを反映している。
ArchEGraphに基づいて、2つのベンチマークタスクを定義します。
一 幾何表現から位相構造を復元することを目的とした多角形メッシュからのグラフ再構成
(II) ゾーンレベルの応答時系列の予測にグラフ構造と時間的気象条件を利用するトポロジインフォームド負荷予測。
さらに,タスクの標準化された評価プロトコルを導入し,モデルロバスト性を評価するためにクロスビルディングおよびクロスクライム一般化実験を行う。
ArchEGraphは、建築エネルギーモデリングにおける幾何学-位相-物理結合を研究するための統一的なテストベッドを提供し、スケーラブルで一般化可能なサロゲートモデルの開発と評価を可能にする。
関連論文リスト
- BuildSTG: A Multi-building Energy Load Forecasting Method using Spatio-Temporal Graph Neural Network [7.196781503036909]
類似した特徴を持つ建物は、しばしばエネルギーを共有し、その運用データにおける空間的依存によって反映される。
グラフ時間グラフニューラルネットワークを用いたマルチビルディング予測手法を提案する。
Building Data Genome Project 2データセットの実験では、ベースラインよりも優れたパフォーマンスが確認されている。
論文 参考訳（メタデータ） (2025-07-28T13:47:36Z) - GraphBrep: Learning B-Rep in Graph Structure for Efficient CAD Generation [4.6246038523085975]
GraphBrepは、コンパクトトポロジを明示的に表現し、学習するB-Rep生成モデルである。
グラフ拡散モデルを用いて表面特徴に基づく位相の学習を行う。
明示的な表現は、コンパクトなデータ構造を保証し、トレーニングと推論の両方において、計算コストを効果的に削減する。
論文 参考訳（メタデータ） (2025-07-07T08:43:46Z) - Aether: Geometric-Aware Unified World Modeling [49.33579903601599]
Aetherは、世界モデルにおける幾何学的推論を可能にする統一されたフレームワークである。
本フレームワークは,動作追従タスクと再構成タスクの両方においてゼロショットの一般化を実現する。
私たちの研究がコミュニティに、物理的に理にかなった世界モデリングにおける新たなフロンティアを探求させることを期待しています。
論文 参考訳（メタデータ） (2025-03-24T17:59:51Z) - (Deep) Generative Geodesics [57.635187092922976]
2つのデータポイント間の類似性を評価するために,新しい測定基準を導入する。
我々の計量は、生成距離と生成測地学の概念的定義に繋がる。
彼らの近似は、穏やかな条件下で真の値に収束することが証明されている。
論文 参考訳（メタデータ） (2024-07-15T21:14:02Z) - GeoBench: Benchmarking and Analyzing Monocular Geometry Estimation Models [41.76935689355034]
識別的および生成的事前学習により、強力な一般化能力を持つ幾何推定モデルが得られた。
幾何推定モデルの評価と解析のための,公平で強力なベースラインを構築した。
多様なシーンと高品質なアノテーションを用いた幾何推定タスクにおいて,より困難なベンチマークを用いて,単色幾何推定器の評価を行った。
論文 参考訳（メタデータ） (2024-06-18T14:44:12Z) - Unsupervised Graph Neural Architecture Search with Disentangled
Self-supervision [51.88848982611515]
教師なしグラフニューラルアーキテクチャサーチは、文献では未発見のままである。
本稿では,Distangled Self-supervised Graph Neural Architecture Searchモデルを提案する。
我々のモデルは、教師なしの方法で、いくつかのベースライン手法に対して最先端のパフォーマンスを達成することができる。
論文 参考訳（メタデータ） (2024-03-08T05:23:55Z) - A Survey of Geometric Graph Neural Networks: Data Structures, Models and Applications [71.809127869349]
本稿では、幾何学的メッセージパッシングの観点から、既存のモデルの統一的なビューを提供するデータ構造として幾何学的グラフを定式化する。
また、方法論開発と実験評価の後の研究を促進するために、アプリケーションと関連するデータセットを要約する。
論文 参考訳（メタデータ） (2024-03-01T12:13:04Z) - Geometry Interaction Knowledge Graph Embeddings [153.69745042757066]
ユークリッド空間,双曲空間,超球空間間の空間構造を対話的に学習する幾何学的相互作用知識グラフ埋め込み(GIE)を提案する。
提案したGIEは、よりリッチなリレーショナル情報、モデルキー推論パターンをキャプチャし、エンティティ間の表現的セマンティックマッチングを可能にする。
論文 参考訳（メタデータ） (2022-06-24T08:33:43Z) - BuildingNet: Learning to Label 3D Buildings [19.641000866952815]
BuildingNet: (a)外装が一貫してラベル付けされている大規模な3Dビルディングモデル、(b)幾何学的プリミティブの分析と構造的関係をビルディングにラベル付けするニューラルネットワーク。
データセットは、家、教会、高層ビル、市役所、城などのカテゴリをカバーしている。
論文 参考訳（メタデータ） (2021-10-11T01:45:26Z) - Hermitian Symmetric Spaces for Graph Embeddings [0.0]
C 上の対称行列空間におけるグラフの連続表現を学ぶ。
これらの空間は双曲部分空間とユークリッド部分空間を同時に認めるリッチな幾何学を提供する。
提案するモデルは, apriori のグラフ特徴を見積もることなく, まったく異なる配置に自動的に適応することができる。
論文 参考訳（メタデータ） (2021-05-11T18:14:52Z) - Mix Dimension in Poincar\'{e} Geometry for 3D Skeleton-based Action
Recognition [57.98278794950759]
グラフ畳み込みネットワーク(GCN)はすでに、不規則なデータをモデル化する強力な能力を実証している。
本稿では,ポアンカー幾何学を用いて定義した空間時空間GCNアーキテクチャを提案する。
提案手法を,現在最大規模の2つの3次元データセット上で評価する。
論文 参考訳（メタデータ） (2020-07-30T18:23:18Z)
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。