論文の概要: From Grey-Box to Green-Box: When can Physics-Informed Machine Learning Reduce Carbon Footprints in Structural Health Monitoring?

• arxiv url: http://arxiv.org/abs/2609.33387v1
• Date: Sun, 27 Sep 2026 09:08:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:28:03.680129
• Title: From Grey-Box to Green-Box: When can Physics-Informed Machine Learning Reduce Carbon Footprints in Structural Health Monitoring?
• Title（参考訳）: Grey-BoxからGreen-Boxへ:物理インフォームド・機械学習はいつ、構造的健康モニタリングにおいてカーボンフットプリントを削減できるのか?
• Abstract要約: 物理インフォームド機械学習や「グレーボックス」モデルは、伝統的なブラックボックス学習者の制限を克服するために開発された。 この研究は、追加の利点が環境への影響を低減できるかどうかを探求する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning plays an increasingly vital role in engineering, but the corresponding increase in compute time is not without environmental cost. Physics-informed machine learning or "grey-box" models have been developed to overcome some of the limitations of traditional black-box learners, utilising the physical insight that an engineer would have about the structure they are modelling and have shown promising results in the structural engineering field among many others. This work explores whether an additional advantage could be a reduced environmental impact, considering the relationship between training data quantity and training time, linking this duration to carbon emissions from computing. In a structural health monitoring context, four physics-informed machine learning approaches - spanning Gaussian processes and neural networks - are evaluated: residual modelling, input augmentation, hybrid modelling, and constrained learning. The emissions for training each of the models to reach a given error threshold is compared, and in most examples, shown to be lower for the physics-informed models (with input augmented models being an exception). This reduction in training emissions further compounds the environmental savings achieved by collecting and storing less data. Although promising results, we cannot expect a silver bullet and the case studies demonstrate that a trade-off is needed between the increased complexity that comes from introducing physics into a machine learner, against the gain from reduced training data requirements.
• Abstract（参考訳）: 機械学習はエンジニアリングにおいてますます重要な役割を担っているが、それに対応する計算時間の増加には環境コストが伴うわけではない。 物理インフォームド機械学習(英: Physics-informed machine learning)または"グレーボックス(英: "grey-box")モデル(英: "grey-box")は、伝統的なブラックボックス学習者の制限を克服するために開発され、エンジニアがモデリングしている構造について持つ物理的洞察を活用し、構造工学の分野で有望な結果を示した。 この研究は、トレーニングデータ量とトレーニング時間との関係を考慮し、この期間をコンピューティングからの二酸化炭素排出量に結びつけることで、環境への影響を低減できるかどうかを考察する。 構造的健康監視のコンテキストでは、残差モデリング、入力拡張、ハイブリッドモデリング、制約付き学習の4つの物理インフォームド機械学習アプローチ(ガウスのプロセスとニューラルネットワークにまたがる)が評価される。 与えられた誤差閾値に達するように各モデルをトレーニングするためのエミッションを比較し、ほとんどの例では、(入力拡張モデルは例外である)物理インフォームドモデルよりも低いことが示されている。 このトレーニングエミッションの削減は、少ないデータの収集と保存によって達成される環境の節約をさらに複雑にする。 有望な結果とは言え,銀の弾丸は期待できないが,本研究では,機械学習者への物理導入に伴う複雑性の増大と,トレーニングデータ要求の低減による利益とのトレードオフが示される。

関連論文リスト

• Green Physics-Informed Machine Learning Models For Structural Health Monitoring [0.0]
  この研究は「グリーン」レンズを通して黒とグレーのボックスモデルを比較する。 グレーボックスモデルの高い外挿性能は、どのようにランタイムを減少させ、したがって二酸化炭素排出量を減少させるかを研究する。
  論文  参考訳（メタデータ） (2026-04-30T09:28:08Z)
• Neural Network Modeling of Microstructure Complexity Using Digital Libraries [1.03590082373586]
  本研究では, 人工・スパイクニューラルネットワークの性能評価を行い, 疲労き裂進展とチューリングパターンの発達を予測した。 我々の評価では、漏れた統合・火災ニューロンモデルの方が、少ないパラメータと少ないメモリ使用量で予測精度が優れていることが示唆されている。
  論文  参考訳（メタデータ） (2025-01-30T07:44:21Z)
• Exploring the design space of deep-learning-based weather forecasting systems [56.129148006412855]
  本稿では,異なる設計選択がディープラーニングに基づく天気予報システムに与える影響を系統的に分析する。 UNet、完全畳み込みアーキテクチャ、トランスフォーマーベースモデルなどの固定グリッドアーキテクチャについて検討する。 固定グリッドモデルの強靭な性能とグリッド不変アーキテクチャの柔軟性を組み合わせたハイブリッドシステムを提案する。
  論文  参考訳（メタデータ） (2024-10-09T22:25:50Z)
• Gradual Optimization Learning for Conformational Energy Minimization [69.36925478047682]
  ニューラルネットワークによるエネルギー最小化のためのGradual Optimization Learning Framework(GOLF)は、必要な追加データを大幅に削減する。 GOLFでトレーニングしたニューラルネットワークは,種々の薬物様分子のベンチマークにおいて,オラクルと同等に動作することを示す。
  論文  参考訳（メタデータ） (2023-11-05T11:48:08Z)
• Estimating Deep Learning energy consumption based on model architecture and training environment [5.465797591588829]
  モデルアーキテクチャと学習環境がエネルギー消費に与える影響について検討する。 適切なモデル学習環境の組み合わせを選択することで、トレーニングのエネルギー消費を最大80.68%削減できることがわかった。 本稿では,STEP(Stable Training Epoch Projection)とPRE(Pre-Treging Regression-based Estimation)手法を提案する。
  論文  参考訳（メタデータ） (2023-07-07T12:07:59Z)
• An Adversarial Active Sampling-based Data Augmentation Framework for Manufacturable Chip Design [55.62660894625669]
  リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。 機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。 本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-27T20:53:39Z)
• Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
  マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。 本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
  論文  参考訳（メタデータ） (2022-09-05T16:48:34Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)

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。