論文の概要: Ruleless Digital Twins: Toward Declarative Decision-Making Through Standardized Frameworks and Technologies
- arxiv url: http://arxiv.org/abs/2610.10631v1
- Date: Wed, 07 Oct 2026 13:09:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 02:36:53.586107
- Title: Ruleless Digital Twins: Toward Declarative Decision-Making Through Standardized Frameworks and Technologies
- Title（参考訳）: ルールレスデジタルツイン - 標準化されたフレームワークと技術による決定-
- Abstract要約: ルールレスデジタルツイン(RDT)は、純粋に宣言的なユーザ仕様に関して最適な決定を下す。
RDTは、セマンティックナレッジベース、論理推論、シミュレーションモデル、自律型コンピューティングアーキテクチャの組み合わせによって実現される。
- 参考スコア（独自算出の注目度）: 0.3437656066916039
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Digital twins (DTs) can be thought of as digital counterparts of physical objects, or more generally, twinning targets (TTs). To enact changes on and optimize for properties of their TTs, DTs use an element of decision-making. Traditionally, many domains, such as home automation, utilize rule-based decision-making models to imperatively define DT actions based on desired TT conditions. With evolving user specifications, rule-based models have become increasingly complex to develop and maintain, particularly in scenarios involving optimizations under dynamically changing systems, such as those affected by weather or dynamic energy pricing. We present an alternative in the form of ruleless digital twins (RDTs) that automatically produce optimal decisions with respect to purely declarative user specifications, similarly to the well-established ruleless approach of model predictive control. They do so through a combination of a semantic knowledge base, logical inference, simulation models, and an autonomic computing architecture, each exclusively based on a widely-used standard or technology. We evaluate our proof of concept through an incubator case study and experiments against a rule-based bang-bang controller in the context of a virtual office room environment. Results show core that RDT functionality performs better than the control in terms of maintaining desired room temperatures and minimizing energy costs under dynamically changing spot pricing. Additionally, due to combinatorial decision tree construction, RDTs require considerable computational power for longer prediction horizons, although their applicability to specific problem domains (and use of shorter horizons) ultimately falls on their users.
- Abstract（参考訳）: デジタルツイン(DT)は、物理的オブジェクトのデジタル版、あるいはより一般的にはツインニングターゲット(TT)とみなすことができる。
TTのプロパティの変更を実施および最適化するために、DTは意思決定の要素を使用する。
伝統的に、ホームオートメーションなどの多くのドメインでは、ルールベースの意思決定モデルを使用して、所望のTT条件に基づいてDTアクションを命令的に定義する。
ユーザ仕様の進化に伴い、特に天候や動的エネルギー価格など、動的に変化するシステムの下での最適化を含むシナリオにおいて、ルールベースのモデルの開発とメンテナンスがますます複雑になっている。
本稿では,ルールレスディジタルツイン(RDT)という形で,モデル予測制御の確立したルールレスアプローチと同様に,純粋に宣言的なユーザ仕様に対して最適な決定を自動生成する手法を提案する。
それらは、セマンティックナレッジベース、論理推論、シミュレーションモデル、および自律コンピューティングアーキテクチャの組み合わせによって実現され、それぞれが広く使われている標準または技術に基づいている。
我々は,仮想オフィス環境におけるルールベースのバンバンコントローラに対するインキュベータケーススタディと実験により,概念実証を評価した。
その結果, RDT 機能は所望の室温維持やスポット価格の動的変更によるエネルギーコストの最小化において, 制御よりも優れた性能を示した。
さらに、組合せ決定木の構築のため、RTTは長い予測地平線に対してかなりの計算力を必要とするが、特定の問題領域(および短い地平線の使用)への適用性は最終的にユーザによって低下する。
関連論文リスト
- $\text{DT}^2$: Decision-Targeted Digital Twins [51.56484100374058]
デジタルツイン(Digital twin, DT)は、様々な政策によって引き起こされるシナリオをシミュレートすることで意思決定を支援する現実世界のシステムの仮想モデルである。
モデルキャパシティが制限されている場合、一段階の遷移誤差を最小限に抑えるためのDTを訓練することで、報酬関数に従ってポリシーのランク付けのためのサブ最適モデルを生成することができることを示す。
我々は、決定目標のDTトレーニングパラダイムである$textDT2$を紹介します。
論文 参考訳（メタデータ） (2026-06-24T15:02:24Z) - 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) - Unlocking Feature Learning in Gated Delta Networks at Scale [52.705562336559446]
大規模言語モデルの訓練とスケーリングは膨大な計算資源を必要とする。
我々はGated Delta Networkのスケーリングルールを導出する。
言語モデル事前学習の実験により、我々の構成が安定した学習速度転送を可能にすることが確認された。
論文 参考訳（メタデータ） (2026-06-02T08:45:24Z) - Dual Mind World Model Inspired Network Digital Twin for Access Scheduling [0.904861150954008]
本稿では,Dual Mind World Model (DMWM) アーキテクチャにインスパイアされた新しいDigital Twin対応スケジューリングフレームワークを提案する。
従来のルールベースや純粋にデータ駆動のポリシーとは異なり、提案されたDMWMは短期水平予測計画とシンボリックモデルベースのロールアウトを組み合わせたものである。
以上の結果から, バースト, 干渉制限, 期限に敏感な環境において, DMWMは優れた性能を発揮することがわかった。
論文 参考訳（メタデータ） (2026-02-04T13:53:55Z) - Energy-Efficient Autonomous Driving with Adaptive Perception and Robust Decision [8.423972998303759]
我々はEneADと呼ばれるエネルギー効率の高い自動運転フレームワークを提案する。
適応型知覚モジュールでは、データ管理とチューニングの観点から知覚最適化戦略を設計する。
EneADは知覚の消費を1.9倍から3.5倍に減らし、運転距離を3.9%から8.5%改善できることを示した。
論文 参考訳（メタデータ） (2025-10-29T06:18:15Z) - DECODE: Domain-aware Continual Domain Expansion for Motion Prediction [10.479509360064219]
動作予測のための新しい連続学習フレームワークであるDECODEを紹介する。
専門化と一般化のバランスをとり、リアルタイムの要求に合わせて動的に調整する。
保存率は0.044で平均0.584mである。
論文 参考訳（メタデータ） (2024-11-26T22:20:22Z) - Automatically Learning Hybrid Digital Twins of Dynamical Systems [56.69628749813084]
Digital Twins (DT)は、現実世界のシステムの状態と時間力学をシミュレートする。
DTは、しばしばデータスカース設定で目に見えない条件に一般化するのに苦労します。
本稿では,HDTwinsを自律的に提案し,評価し,最適化するための進化的アルゴリズム(textbfHDTwinGen$)を提案する。
論文 参考訳（メタデータ） (2024-10-31T07:28:22Z) - Model Adaptation for Time Constrained Embodied Control [6.876580618014666]
モジュラーモデル適応を用いた時間制約を考慮した具体化制御フレームワークであるMoDeCを提案する。
モジュールネットワーク上の動的ルーティングとして資源および時間制限の様々な運用条件に対するモデル適応を定式化し、これらの条件をマルチタスクの目的の一部として組み込む。
ロボット操作と自律運転における時間制約の両面において,MoDeCのロバスト性を評価した結果,他のモデル適応手法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2024-06-17T01:07:30Z) - Structured Dynamic Pricing: Optimal Regret in a Global Shrinkage Model [50.06663781566795]
消費者の嗜好と価格感が時間とともに変化する動的モデルを考える。
我々は,モデルパラメータの順序を事前に把握している透視者と比較して,収益損失が予想される,後悔による動的価格政策の性能を計測する。
提案した政策の最適性を示すだけでなく,政策立案のためには,利用可能な構造情報を組み込むことが不可欠であることを示す。
論文 参考訳（メタデータ） (2023-03-28T00:23:23Z) - 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。