論文の概要: ADAPT: Physics-Aware Diffusion-based World Models for Adaptive Predictive Transferable HVAC Control

• arxiv url: http://arxiv.org/abs/2608.19804v1
• Date: Thu, 20 Aug 2026 08:58:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.517248
• Title: ADAPT: Physics-Aware Diffusion-based World Models for Adaptive Predictive Transferable HVAC Control
• Title（参考訳）: ADAPT:適応予測可能なHVAC制御のための物理認識拡散に基づく世界モデル
• Abstract要約: ADAPTはHVAC制御のための物理学的条件付き屋内環境世界モデルである。 HVACのエネルギー消費を7.3%削減し、IID制御下にある最先端のベースラインと比較して、住民の不快感を30.2%削減する。
• 参考スコア（独自算出の注目度）: 19.871939624912073
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Buildings account for roughly one-third of global energy consumption and CO$_2$ emissions. Optimizing indoor climate systems plays a critical role for urban climate mitigation aligned with UN Sustainable Development Goals 11 and 13. However, indoor delayed thermodynamic responses and partial observability severely hinder existing methods, which are primarily limited by implicit thermal inertia, occupancy dynamic prediction, and cumulative prediction errors, especially for out-of-distribution environments. In practice, these challenges are further exacerbated by the high cost and privacy burden of dense indoor sensing, forcing operators to collect only limited data in a single operating regime while expecting controllers to generalize reliably across unseen seasons and climate regions. To address this problem, we propose ADAPT, a physics-aware conditional diffusion indoor environmental world model for HVAC control. The model predicts a short-horizon held-action thermal baseline to capture the latent thermal inertia of the buildings. The diffusion backbone utilizes the robustness of generative models, while a learnable multi-zone heat-balance regularizer constrains generated trajectories to satisfy transferable building thermodynamics without requiring known building geometry or manually calibrated thermal parameters. A credit assignment is then design for the downstream reinforcement learning. Extensive experiments on SemibuildingSim and Sinergym demonstrate that ADAPT reduces HVAC energy consumption by 7.3\% and occupant discomfort by 30.2\% compared with state-of-the-art baselines under IID control. Under OOD control scenarios spanning unseen seasons and climate regions, ADAPT maintains robust performance with only marginal degradation relative to its IID performance, substantially outperforming existing methods in transfer robustness.
• Abstract（参考訳）: ビルは世界のエネルギー消費の約3分の1を占め、CO$2の排出量がある。 屋内気候システムの最適化は、国連持続可能な開発目標11、13に沿った都市気候の緩和に重要な役割を果たす。 しかし、室内での遅延熱力学応答と部分観測性は、主に暗黙の熱慣性、占有率の動的予測、累積予測誤差によって制限される既存の手法を著しく妨げている。 実際にこれらの課題は、密集した屋内センシングのコストとプライバシーの負担によりさらに悪化し、オペレータは単一のオペレーションで限られたデータのみを収集せざるを得ず、コントローラは目に見えない季節や気候地域で確実に一般化することを期待する。 この問題に対処するため,HVAC制御のための物理対応条件付き屋内環境モデルADAPTを提案する。 このモデルは、建物内の潜熱慣性を捉えるために、短水平保持熱ベースラインを予測する。 拡散バックボーンは生成モデルのロバスト性を利用する一方、学習可能なマルチゾーン熱バランス正規化器は、既知の構造幾何学や手動の温度パラメータを必要とせず、伝達可能な熱力学を満たすために生成された軌道を制約する。 次に、下流の強化学習のためのクレジット割り当てを設計する。 セミビルディングシムとシネルギムの大規模な実験では、ADAPTはIID制御下の最先端ベースラインと比較して、HVACのエネルギー消費を7.3 %削減し、乗員の不快度を30.2 %削減している。 OOD制御のシナリオは、観測できない季節や気候にまたがるが、ADAPTはIID性能に対して限界劣化のみを伴って頑健な性能を維持しており、転送ロバスト性において既存の手法よりも大幅に優れていた。

関連論文リスト

• EO-WM: A Physically Informed World Model for Probabilistic Earth Observation Forecasting [50.31500063307306]
  マルチスペクトル地球観測予測のためのビデオ拡散変換器であるEO-WMを紹介する。 EO-WMは、気象基準線、気象異常、累積的な物理的ストレス信号を通して気象的な強制力を表す物理的に情報を得た条件付けフレームワークを組み込んでいる。 実験の結果、EO-WMは予測正規化植生指数(NDVI)の減少振幅を相対5.63%減少させ、方向のヒット率を相対7.80%向上させることがわかった。
  論文  参考訳（メタデータ） (2026-06-25T16:53:30Z)
• SkyJEPA: Learning Long-Horizon World Models for Zero-Shot Sim-to-Real Control of Quadrotors [48.60897189520386]
  本稿では,実時間四重項制御のためのJEPAスタイルモデルを提案する。 我々は、潜伏動力学モデルと、凍結した潜伏者を解釈可能な状態にマッピングする、物理学に着想を得た新しいプロバーを組み合わせる。 高価で安全性の低い実世界のデータ収集への依存を低減するため,自動データセット生成のための構造化パイプラインを構築した。
  論文  参考訳（メタデータ） (2026-06-22T15:00:59Z)
• A Unified Python Framework for Direct PPO-based Control of AHUs with Economizer Logic and CO2-Constrained Ventilation [0.0]
  本稿では,Deep Reinforcement Learning (DRL)アルゴリズムを用いたHVACシステムの最適化手法を提案する。 DRLシステムは、2次キャパシタの熱モデルとCO2の動的質量バランスを統合して、建物に関連する複雑な物理を再現する。 エンタルピーベースのエコノマイザは、屋外環境から自由に冷却するために使用される。
  論文  参考訳（メタデータ） (2026-05-23T05:31:09Z)
• Time-series Forecast for Indoor Zone Air Temperature with Long Horizons: A Case Study with Sensor-based Data from a Smart Building [5.769064138855604]
  本稿では,2週間の地平線上に建つ建物におけるゾーン温度の時系列予測モデルを構築した。 この結果は、HVACシステムのインテリジェントな制御と操作を支援するためにさらに改善される可能性がある。
  論文  参考訳（メタデータ） (2025-12-22T05:19:05Z)
• Partially stochastic deep learning with uncertainty quantification for model predictive heating control [0.0]
  モデル予測制御(MPC)は、予測モデルを用いて建物が学習した熱挙動に基づいて加熱を最適化することで、欠点に対処する。 MPCソリューションは、物理にインスパイアされた簡易な室内温度モデルを使用し、堅牢性と解釈可能性の精度を犠牲にする。 本研究では,建物固有の室内温度モデリングのための深層学習アーキテクチャLSTM+BNNを提案する。
  論文  参考訳（メタデータ） (2025-04-04T11:07:23Z)
• Global Transformer Architecture for Indoor Room Temperature Forecasting [49.32130498861987]
  本研究は,多室ビルにおける室内温度予測のためのグローバルトランスフォーマーアーキテクチャを提案する。 エネルギー消費を最適化し、HVACシステムに関連する温室効果ガス排出を削減することを目的としている。 本研究は,マルチルームビルにおける室内温度予測にトランスフォーマーアーキテクチャを適用した最初の事例である。
  論文  参考訳（メタデータ） (2023-10-31T14:09:32Z)
• Enhancing personalised thermal comfort models with Active Learning for improved HVAC controls [0.8192907805418583]
  本研究では,アクティブラーニング(AL)によって強化された熱的嗜好に基づくHVAC制御フレームワークを提案する。 予備的な結果から, AL対応OCCと従来のOCCとのラベリング効果は著しく低下するが, 省エネ効果はわずかであった。
  論文  参考訳（メタデータ） (2023-09-16T18:42:58Z)
• Multi-scale Digital Twin: Developing a fast and physics-informed surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
  気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。 U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。 並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
  論文  参考訳（メタデータ） (2022-11-20T06:46:35Z)
• Low Emission Building Control with Zero-Shot Reinforcement Learning [70.70479436076238]
  強化学習(RL)による制御は、建築エネルギー効率を著しく向上させることが示されている。 我々は、ゼロショットビルディング制御と呼ばれるパラダイムを優先せずに、排出削減ポリシーを得られることを示す。
  論文  参考訳（メタデータ） (2022-08-12T17:13:25Z)
• Model-assisted Learning-based Framework for Sensor Fault-Tolerant Building HVAC Control [2.6246169665063634]
  本稿では,センサフォールトトレラントHVAC制御のための新しい学習フレームワークを提案する。 本研究は,1)センサ故障の可能性を考慮した温度予測,2)精度評価に基づく提案の1つの選択,3)選択した温度推定による強化学習の3つの深層学習ベースコンポーネントを含む。
  論文  参考訳（メタデータ） (2021-06-27T05:03:08Z)
• 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。