論文の概要: An Empirical Study of Architectural Shift from Traditional to AI-Enabled Simulink Controllers
- arxiv url: http://arxiv.org/abs/2609.38504v1
- Date: Tue, 29 Sep 2026 20:27:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 18:57:26.71698
- Title: An Empirical Study of Architectural Shift from Traditional to AI-Enabled Simulink Controllers
- Title（参考訳）: 従来型AI対応型シミュリンクコントローラへのアーキテクチャシフトに関する実証的研究
- Abstract要約: 従来型とAI対応のSimulinkコントローラについて研究し、文献由来の10の分類と9つの機能的役割について考察した。
この研究では、8つのコントローラタイプと10のアプリケーションドメインにまたがる62の現実世界モデルを分析し、13人の実践者を調査した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Effective AI adoption in cyber-physical systems (CPS) depends on embedding design knowledge into engineering practice. Yet as AI-enabled components increasingly replace analytically derived control laws, this occurs without a systematic understanding of how controller architectures differ or remain similar across paradigms. We address this gap with an empirical study of traditional and AI-enabled Simulink controllers, guided by a literature-derived taxonomy of ten structural categories and nine functional roles. The study analyzes 62 real-world models spanning 8 controller types and 10 application domains, and surveys 13 practitioners, identifying three architectural tensions. First, subsystem organization dominates all controller structures regardless of paradigm, occupying 68-72% of controller footprint, while core control logic occupies minimal space. Second, AI-enabled controllers rely heavily on discrete dynamics and user-defined abstraction, categories largely absent from AI literature, exposing a gap between described and implemented architectures. Third, constraint enforcement blocks largely disappear from AI-enabled models despite practitioner expectations. This reveals a misalignment where safety mechanisms shift from explicit structure to implicit training-time artifacts, breaking traceability.
- Abstract（参考訳）: サイバー物理システム(CPS)における効果的なAIの採用は、設計知識をエンジニアリングプラクティスに組み込むことに依存している。
しかし、AI対応コンポーネントが分析的に導出された制御法則に取って代わる傾向にあるため、コントローラアーキテクチャの相違やパラダイム間の類似性に関する体系的な理解が得られない。
このギャップを、従来型とAI対応のSimulinkコントローラの実証的研究で解決し、文献由来の10の分類と9つの機能的役割を導く。
この研究では、8つのコントローラタイプと10のアプリケーションドメインにまたがる62の現実世界モデルを分析し、13人の実践者を調査し、3つのアーキテクチャ上の緊張点を特定した。
まず、サブシステム組織はパラダイムに関係なくすべてのコントローラ構造を支配し、68-72%のコントローラフットプリントを占有し、コア制御ロジックは最小のスペースを占有する。
第2に、AI対応のコントローラは、記述されたアーキテクチャと実装されたアーキテクチャのギャップを露呈し、AI文献にほとんど欠落しているカテゴリである、離散力学とユーザ定義の抽象化に大きく依存している。
第3に、専門家の期待にもかかわらず、制約執行ブロックはAI対応モデルからほとんど姿を消している。
これは、安全メカニズムが明示的な構造から暗黙的なトレーニングタイムアーティファクトに移行し、トレーサビリティを損なうという誤解を浮き彫りにする。
関連論文リスト
- Learning Physical Interaction: A Survey of Tactile- and Force-aware Robot Learning [128.76135832773102]
物理的に接地されたロボットインテリジェンスは、ロボットが物理的世界との相互作用を知覚し、推論し、規制することを要求する。
近年のロボット学習法は, 力, 触覚, 視覚, 言語, 触覚を学習操作ポリシーに組み込むことで, 大幅な進歩を遂げている。
これらの進歩にもかかわらず、既存の調査では、統一的な視点から、力と触覚を意識したロボット学習を明示的にレビューしていない。
論文 参考訳（メタデータ） (2026-08-02T14:22:01Z) - The Semantic Training Gap: Ontology-Grounded Tool Architectures for Industrial AI Agent Systems [0.0]
大規模言語モデル(LLM)ベースのAIエージェントは、分析、品質管理、意思決定支援のための製造環境にますます多くデプロイされている。
これらのエージェントは、ドメイン用語で統計的に流布するが、操作意味論の基盤的理解は欠如している。
本稿では、AIシステムが学習を通してドメイン語彙を取得する方法と、生産業務が存在論的関係を通じて意味を定義する方法とを、構造的に切り離すという意味訓練のギャップを特定し、形式化する。
論文 参考訳（メタデータ） (2026-05-11T20:48:18Z) - Human-in-the-Loop Control of Objective Drift in LLM-Assisted Computer Science Education [0.0]
本稿では,人間中心の姿勢を採用し,人間のループ制御を安定した教育問題として扱う。
私たちは、AI支援作業の安定化のために学生が構成する運用成果物として、目的と世界モデルを定義します。
論文 参考訳（メタデータ） (2026-03-31T22:14:02Z) - CaP-X: A Framework for Benchmarking and Improving Coding Agents for Robot Manipulation [48.85772216740915]
"Code-as-Policy" は、実行可能コードがデータ集約型のVision-Language-Actionメソッドを補完する方法について考察している。
ロボット操作におけるCode-as-PolicyエージェントのオープンアクセスフレームワークであるCaP-Xを提案する。
論文 参考訳（メタデータ） (2026-03-23T18:08:10Z) - Architecture-Aware Multi-Design Generation for Repository-Level Feature Addition [53.50448142467294]
RAIMは、リポジトリレベルの機能追加のための、多設計およびアーキテクチャ対応のフレームワークである。
複数の多様な実装設計を生成することで、線形パッチから切り離される。
NoCode-bench Verifiedデータセットの実験では、RAIMが新しい最先端のパフォーマンスを確立することが示されている。
論文 参考訳（メタデータ） (2026-03-02T12:50:40Z) - From Agent-Only Social Networks to Autonomous Scientific Research: Lessons from OpenClaw and Moltbook, and the Architecture of ClawdLab and Beach.Science [0.0]
OpenClawとMoltbookは2026年1月に、自律型AI-AIインタラクションの大規模なデータセットを作成した。
本研究は,その生態系の多言語文献レビューを行い,自律科学研究のための2つの補完的プラットフォームを提示する。
論文 参考訳（メタデータ） (2026-02-23T13:10:01Z) - Quantitative Analysis of Technical Debt and Pattern Violation in Large Language Model Architectures [0.0]
本研究では,AI合成システムにおける「建築エロージョン」と技術的負債の蓄積を計測する最初の経験的枠組みを提案する。
プロプライエタリなモデルは高いアーキテクチャ適合性を実現する一方で、オープンウェイトモデルは重要なばらつきを示す。
これらの結果から, システムスキャフォールディングに小型オープンウェイトモデルを用いることで, 構造的技術的負債の蓄積が促進されることが示唆された。
論文 参考訳（メタデータ） (2025-12-03T21:24:02Z) - Rethinking the Role of Dynamic Sparse Training for Scalable Deep Reinforcement Learning [58.533203990515034]
ニューラルネットワークのスケーリングは機械学習における画期的な進歩をもたらしたが、このパラダイムは深層強化学習(DRL)では失敗している。
我々は、動的スパーストレーニング戦略が、アーキテクチャの改善によって確立された主要なスケーラビリティ基盤を補完するモジュール固有の利点を提供することを示す。
アーキテクチャ改善の利点を生かした実践的なフレームワークであるModule-Specific Training (MST) にこれらの知見を精査し、アルゴリズムの修正なしに様々なRLアルゴリズムをまたいだ大幅なスケーラビリティ向上を示す。
論文 参考訳（メタデータ） (2025-10-14T03:03:08Z) - Pangu-Agent: A Fine-Tunable Generalist Agent with Structured Reasoning [50.47568731994238]
人工知能(AI)エージェント作成の鍵となる方法は強化学習(RL)である
本稿では,構造化推論をAIエージェントのポリシーに統合し,学習するための一般的なフレームワークモデルを提案する。
論文 参考訳（メタデータ） (2023-12-22T17:57:57Z) - Neural Dynamic Policies for End-to-End Sensorimotor Learning [51.24542903398335]
感覚運動制御における現在の主流パラダイムは、模倣であれ強化学習であれ、生の行動空間で政策を直接訓練することである。
軌道分布空間の予測を行うニューラル・ダイナミック・ポリシー(NDP)を提案する。
NDPは、いくつかのロボット制御タスクにおいて、効率と性能の両面で、これまでの最先端よりも優れている。
論文 参考訳（メタデータ） (2020-12-04T18:59:32Z)
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。