論文の概要: NeuralBES: A Differentiable, Control-Aware Emulator for Scalable Building Energy Modeling

• arxiv url: http://arxiv.org/abs/2610.10459v1
• Date: Wed, 07 Oct 2026 17:27:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:23.075163
• Title: NeuralBES: A Differentiable, Control-Aware Emulator for Scalable Building Energy Modeling
• Title（参考訳）: NeuralBES: スケーラブルな建築エネルギーモデリングのための微分制御対応エミュレータ
• Abstract要約: 高忠実度物理学シミュレータは正確だがシーケンシャルであり、建築ごとのキャリブレーションを必要とする。 本稿では,ニューラルエンコーダを用いた抵抗容量型熱モデルをパラメータ化することにより,このトレードオフを解消する識別可能なエミュレータであるNeuralBESを紹介する。 年間フルタイムのロールアウトでは、NeuralBESが唯一のデータ条件付きモデルであり、最強の生エラーベースラインの4MAPEポイントで同時に物理検証され正確である。
• 参考スコア（独自算出の注目度）: 1.9749268648715586
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Demand-side flexibility i.e. forecasting, shifting, and curtailing residential energy loads, depends on thermal models trusted across millions of heterogeneous buildings. Existing tools force a hard tradeoff: high-fidelity physics simulators such as EnergyPlus are accurate but sequential and require per-building calibration, while purely data-driven sequence models scale but abandon the physical structure that makes their predictions trustworthy. We introduce NeuralBES (Building Energy Simulation), a differentiable emulator that resolves this tradeoff by parameterizing a resistance--capacitance (RC) based thermal model with a shared neural encoder: static building metadata such as floor area, vintage, and HVAC type is mapped to physically bounded capacitances, conductances, and equipment coefficients, which become the coefficients of a scalar linear recurrence solved via a log-space parallel scan, and a predictor--corrector loop closes the thermostat--temperature nonlinearity while preserving full-horizon gradient flow. Trained on the ResStock dataset across three climate zones, NeuralBES handles heterogeneous building archetypes, vintages, and climate zones within a single trained encoder, while black-box baselines produce statistically plausible but physically inconsistent trajectories. On the annual full-year rollout, NeuralBES is the only data-conditioned model that is simultaneously physics-valid and accurate to within 4 MAPE points of the strongest raw-error baseline, while operating at roughly an order of magnitude fewer parameters than the transformer and recurrent baselines; among physics-valid baselines at parameter parity it more than halves the MAPE of the grey-box RC alternative.
• Abstract（参考訳）: 需要側の柔軟性、すなわち住宅エネルギー負荷の予測、シフト、削減は、何百万もの異質な建物にまたがる熱モデルに依存する。 既存のツールでは、EnergyPlusのような高忠実な物理シミュレータは正確だが逐次的であり、構造ごとのキャリブレーションを必要とする。 床面積, ヴィンテージ, HVAC型などの静的構造メタデータを物理的に有界な容量, コンダクタンス, 機器係数にマッピングし, 対数空間の並列走査で解いたスカラー線形リカレンス係数とし, 予測器と相関器のループが温度-温度非線形性を閉じる。 3つの気候領域にわたるResStockデータセットに基づいてトレーニングされたNeuralBESは、単一のトレーニングエンコーダ内で、異種建築のアーカイタイプ、ヴィンテージ、気候ゾーンを処理し、ブラックボックスベースラインは統計的に可塑性だが物理的に一貫性のない軌道を生成する。 毎年恒例のフルタイムロールアウトでは、NeuralBESは物理検証可能な唯一のデータ条件付きモデルであり、最強の生エラーベースラインの4MAPEポイント内において正確であると同時に、トランスフォーマーやリカレントベースラインよりも約1桁少ないパラメータで動作している。

関連論文リスト

• Transolver-$σ$: Joint Spectral-Physical Subspace Modeling for Neural PDE Solving [53.58729034895666]
  Transolver-$は、結合スペクトル-物理部分空間モデリングに基づくニューラルPDEソルバである。 平均的な相対誤差を33.4%減らし、各基準に対して最強の基準線を上回り、最先端を達成している。
  論文  参考訳（メタデータ） (2026-09-29T11:24:19Z)
• Stable and Counterfactually Robust Physical World Models from Imposed Structure and Learned Physics [42.21989596721942]
  世界モデルは、物理システムが記録からどのように進化するかを予測することを学ぶが、それが模倣するシステムは、完全に供給されず、確実に尊重されない物理法則に従う。 我々は、世界モデルにどれだけ一般的な物理構造がハードコードされなければならないか、そしてどのくらいのシステム固有の物理がデータから学べるのかを尋ねる。
  論文  参考訳（メタデータ） (2026-09-24T19:56:30Z)
• Climate Physics Dynamic Matching [46.03496190842378]
  ClimPhyDM(ClimPhyDM)は,気象予報のための変動シミュレーションのない動的情報伝達フレームワークである。 時間毎(42時間)と月毎(5ヶ月)のERA5ベンチマークでは、ClimPhyDMがClimODEやGB-DMより優れており、エラーの少ない水平線を保っている。
  論文  参考訳（メタデータ） (2026-08-27T10:07:40Z)
• Virtual Temperature Sensors in Power Transformers Using Neural Ordinary Differential Equations [42.50242605797505]
  本稿では,変圧器の熱挙動を予測するための物理対応ニューラル正規微分方程式フレームワークを開発する。 重要な貢献は、単純化された熱伝達方程式をニューラルODEの定式化に直接統合することである。 このフレームワークは、異種変圧器ユニットに対して標準化され、物理学的、堅牢な予測手法を提供する。
  論文  参考訳（メタデータ） (2026-08-13T13:59:32Z)
• SCALE:Scalable Conditional Atlas-Level Endpoint transport for virtual cell perturbation prediction [46.645872209565574]
  仮想セル摂動予測のための大規模基盤モデルを提案する。 まず、データスループットを大幅に改善するBioNeMoベースのトレーニングおよび推論フレームワークを構築します。 第二に、摂動予測を条件付き輸送として定式化し、それをセットアウェアフローアーキテクチャで実装する。 第3に,生物学的に有意な指標に基づく厳密なセルレベルプロトコルを用いて,Tahoe-100Mのモデルを評価する。
  論文  参考訳（メタデータ） (2026-03-18T05:51:08Z)
• Real-time distortion prediction in metallic additive manufacturing via a physics-informed neural operator approach [3.607834195988809]
  本稿では,将来の15秒間におけるzおよびy方向予測のための物理インフォームド・スマートニューラルホライゾン演算子(PINO)を提案する。 PINOモデルの性能は、欠陥の制御におけるリアルタイムの時間歪み場予測の可能性を強調している。
  論文  参考訳（メタデータ） (2025-11-17T09:37:04Z)
• A Physics-Informed Spatiotemporal Deep Learning Framework for Turbulent Systems [0.0]
  対流に対する物理インフォームRBCサロゲートモデルを提案する。 我々のアプローチは、空間還元のための標準次元ニューラルネットワークと、大きな言語モデルにインスパイアされた革新的な再帰的アーキテクチャを組み合わせる。 このモデルは、計算コストを削減しつつ、重要な物理的特徴を再現し、長期シミュレーションのためのDNSに代わるスケーラブルな代替手段を提供する。
  論文  参考訳（メタデータ） (2025-05-16T06:47:00Z)
• Thermal Neural Networks: Lumped-Parameter Thermal Modeling With State-Space Machine Learning [0.0]
  電力システムの熱モデルには、リアルタイム能力と高い推定精度の両方が必要である。 本研究では,熱伝達に基づくラムド型パラメータモデルとして,熱ニューラルネットワーク(TNN)を導入し,両者を統一した。 TNNは状態空間表現を通じて物理的に解釈可能な状態を持ち、エンドツーエンドのトレーニング可能であり、その設計に材料、幾何学、専門知識を必要としない。
  論文  参考訳（メタデータ） (2021-03-30T13:15:48Z)

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。