論文の概要: The Smart Buildings Challenge: Learning Foundation Models for Real-World Optimization at Scale

• arxiv url: http://arxiv.org/abs/2610.18511v1
• Date: Tue, 13 Oct 2026 15:06:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.647819
• Title: The Smart Buildings Challenge: Learning Foundation Models for Real-World Optimization at Scale
• Title（参考訳）: スマートビルディングチャレンジ: 大規模実世界の最適化のための基礎モデルを学ぶ
• Abstract要約: ビルは米国の二酸化炭素排出量の40%近くを発生させる。 人工知能の進歩にもかかわらず、ほとんどの建物はまだ何十年も前にしたのと同じくらい非効率に運営されている。 最適化構築の最大の障害の1つは、ポリシー転送の欠如である。
• 参考スコア（独自算出の注目度）: 37.67842668857571
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Buildings cause nearly 40\% of carbon emissions in the US. Of total building emissions, HVAC systems are responsible for approximately 40-60\% and account for 15\% of global energy consumption. Despite advances in artificial intelligence, most buildings still operate as inefficiently as they did decades ago. Building optimization, perhaps more so than any other optimization problem, has enormous potential for Machine Learning (ML) driven impact on climate change, in both the short and long term. One of the biggest obstacles for building optimization is the lack of policy transfer. Most building control systems, whether simulation or learning based, don't generalize: they only work well for the building they were developed for, but not for other buildings. To solve this problem, we propose a challenge for the development of building foundation models that easily adapt to new buildings with minimal configuration and thereby enable building optimization to scale across the globe. Participants will build control policies on a set of simulated buildings, and have their policies evaluated on an unseen set of buildings. The buildings vary in size, layout, weather, material properties, and HVAC system. Successful outcomes from this initiative promise a massive leap forward in global sustainability efforts and demonstrate the great potential of ML to combat climate change.
• Abstract（参考訳）: 米国では、建物が約40倍の二酸化炭素排出量を発生させている。 ビルの総排出量のうち、HVACシステムはおよそ40-60 %を担い、世界のエネルギー消費の15 %を担っている。 人工知能の進歩にもかかわらず、ほとんどの建物はまだ何十年も前にしたのと同じくらい非効率に運営されている。 最適化の構築は、おそらく他の最適化問題よりも、短期的および長期的の両方において、機械学習(ML)が気候変動に与える影響に大きな可能性を秘めている。 最適化構築の最大の障害の1つは、ポリシー転送の欠如である。 シミュレーションであれ学習ベースであれ、ほとんどのビル管理システムは、一般的なものではなく、彼らが開発した建物のためにのみ機能するが、他の建物のためには機能しない。 そこで本研究では, 建物構成の最小化を図り, 世界規模での建築最適化を実現する基盤モデルの構築に課題を提起する。 参加者は、シミュレーションされた建物のセットにコントロールポリシーを構築し、そのポリシーを目に見えない建物のセットで評価する。 建物はサイズ、レイアウト、天候、材料特性、およびHVACシステムによって異なる。 このイニシアチブの成果は、世界的なサステナビリティ努力の飛躍的な飛躍を約束し、気候変動に対処するMLの大きな可能性を示すものである。

関連論文リスト

• The Smart Buildings Control Suite: A Diverse Open Source Benchmark to Evaluate and Scale HVAC Control Policies for Sustainability [7.963101539809386]
  商業ビルは米国の二酸化炭素排出量の17%を占めている。 モデル予測制御と強化学習は制御ポリシーの最適化に使われており、数千の建物へのスケーリングは未解決の課題である。 We present the Smart Buildings Control Suite, a first open source interactive HVAC control benchmark。
  論文  参考訳（メタデータ） (2024-10-02T06:30:07Z)
• 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)
• A Lightweight Calibrated Simulation Enabling Efficient Offline Learning for Optimal Control of Real Buildings [3.2634122554914002]
  強化学習モデルを学習するためのシミュレーションに基づく新しい手法を提案する。 当社のオープンソースシミュレーターは軽量で、ビルからのテレメトリによってキャリブレーションされ、より高い忠実度に到達しています。 このアプローチは多くの建物に拡張可能な実世界のRL制御システムを実現するための重要なステップである。
  論文  参考訳（メタデータ） (2023-10-12T17:56:23Z)
• Building Coverage Estimation with Low-resolution Remote Sensing Imagery [65.95520230761544]
  本稿では,低解像度衛星画像のみを用いた建物被覆量の推定手法を提案する。 本モデルでは, 世界中の開発レベルの異なる地域において, 建築範囲の予測において最大0.968の判定係数を達成している。
  論文  参考訳（メタデータ） (2023-01-04T05:19:33Z)
• 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)
• Estimating Building Energy Efficiency From Street View Imagery, Aerial Imagery, and Land Surface Temperature Data [0.0]
  本研究は,純粋にリモートセンシングされたデータを用いて建物のエネルギー効率を推定できる新しい手法を提案する。 効率的な建物と非効率な建物を区別するバイナリ設定において、我々のエンドツーエンドのディープラーニングモデルは62.06%のマクロ平均F1スコアを達成する。
  論文  参考訳（メタデータ） (2022-06-05T21:04:20Z)
• Zero Shot Learning for Predicting Energy Usage of Buildings in Sustainable Design [2.929237637363991]
  2030年の挑戦は、2030年までにすべての新しい建物と大規模な改修をカーボン中立にすることを目的としている。 建築要素が建築のエネルギー利用にどのように貢献するかを理解することが重要である。 予測精度を向上させるために、AIベースのソリューションにリッチなトレーニングデータセットが必要である。
  論文  参考訳（メタデータ） (2022-02-10T18:08:58Z)
• 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。