論文の概要: Data-Driven Resource Aggregation for Scalable Digital Twin and Simulation Model Generation

• arxiv url: http://arxiv.org/abs/2610.24126v1
• Date: Fri, 16 Oct 2026 18:58:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-26 10:51:10.197523
• Title: Data-Driven Resource Aggregation for Scalable Digital Twin and Simulation Model Generation
• Title（参考訳）: スケーラブルなディジタルツインとシミュレーションモデル生成のためのデータ駆動型リソース集約
• Abstract要約: 現代の製造システムは、非常にダイナミックで頻繁に再構成されており、手動のモデル開発を困難にしている。 シミュレーションモデリングを簡略化するために,資源を自動的に選択・集約する手法を提案する。
• 参考スコア（独自算出の注目度）: 0.6851439522256273
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As industrial digitization accelerates, the use of digital twins has become widespread. However, modern manufacturing systems are highly dynamic and frequently reconfigured, making manual model development and updates increasingly difficult. Recent research on automated simulation model generation shows that historical data such as event logs can yield simulation models automatically. However, modeling every resource at full granularity leads to unnecessary complexity and computational cost. We propose a method for automatically selecting and aggregating resources to simplify simulation modeling. Our method uses ideas from inverse reinforcement learning to learn behavioral value representations of resources from production event logs. This process identifies and aggregates resources with similar functional contributions. Experiments on manufacturing systems, using throughput and system time as performance measures, demonstrate that value-based resource aggregation performs well when the goal is to substantially reduce complexity while preserving performance accuracy.
• Abstract（参考訳）: 産業のデジタル化が加速するにつれて、デジタルツインの使用が広まりつつある。 しかし、現代の製造システムは非常にダイナミックで頻繁に再構成されており、手動のモデル開発や更新がますます困難になっている。 自動シミュレーションモデル生成に関する最近の研究は、イベントログなどの履歴データがシミュレーションモデルを自動的に生成できることを示している。 しかし、すべてのリソースを完全な粒度でモデリングすることは、不要な複雑さと計算コストをもたらす。 シミュレーションモデリングを簡略化するために,資源を自動的に選択・集約する手法を提案する。 本手法は,逆強化学習のアイデアを用いて,生産イベントログから資源の行動価値表現を学習する。 このプロセスは、同様の機能的なコントリビューションでリソースを特定し、集約する。 スループットとシステムタイムを性能測定として使用した製造システム実験では、性能の正確さを維持しながら複雑性を大幅に低減することを目的としているときに、価値ベースの資源集約が良好に機能することを示した。

関連論文リスト

• Accelerating Reinforcement Learning Training Using Simulation Surrogate Models [0.1234398109349733]
  高出力シミュレーションモデルは複雑なシステムの解析に広く用いられているが、その高い計算コストはより安価なサロゲートモデルの開発を動機付けている。 並行して、学習強化(RL)が、環境におけるオンライン意思決定のための強力なフレームワークとして登場した。 本稿では,報酬構造,モデルパラメータ,システムダイナミクスが時間とともに変化するような環境下でのRLトレーニングの促進に適した代理モデルについて検討し,シミュレーションモデルやRLモデルとの相互作用について検討する。
  論文  参考訳（メタデータ） (2026-05-26T18:23:42Z)
• A Benchmark Time Series Dataset for Semiconductor Fabrication Manufacturing Constructed using Component-based Discrete-Event Simulation Models [0.0]
  この研究はIntel半導体製造工場のベンチマークモデルに基づいている。 時系列データセットは離散時間軌道を用いて構築される。 データセットは、機械学習コミュニティで行動分析に利用することもできる。
  論文  参考訳（メタデータ） (2024-08-17T23:05:47Z)
• Learning to Simulate: Generative Metamodeling via Quantile Regression [2.0613075946076904]
  従来のメタモデリング技術は、シミュレータ入力と単一出力要約統計量の間の関係を学習する。 生成メタモデリングという新しい概念を提案する。 生成メタモデルは、入力仕様に基づいて多数のランダム出力を高速に生成することができる。
  論文  参考訳（メタデータ） (2023-11-29T16:46:24Z)
• On the Stability of Iterative Retraining of Generative Models on their own Data [56.153542044045224]
  混合データセットに対する生成モデルの訓練が与える影響について検討する。 まず、初期生成モデルがデータ分布を十分に近似する条件下で反復学習の安定性を実証する。 我々は、正規化フローと最先端拡散モデルを繰り返し訓練することにより、合成画像と自然画像の両方に関する我々の理論を実証的に検証する。
  論文  参考訳（メタデータ） (2023-09-30T16:41:04Z)
• 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)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)
• Learning Accurate Business Process Simulation Models from Event Logs via Automated Process Discovery and Deep Learning [0.8164433158925593]
  データ駆動シミュレーション(DDS)メソッドは、イベントログからプロセスシミュレーションモデルを学ぶ。 ディープラーニング(DL)モデルは、このような時間的ダイナミクスを正確に捉えることができる。 本稿では,イベントログからプロセスシミュレーションモデルを学ぶためのハイブリッド手法を提案する。
  論文  参考訳（メタデータ） (2021-03-22T15:34:57Z)
• Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
  我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。 このようなモデルをリアルタイム診断に利用しています。
  論文  参考訳（メタデータ） (2020-03-04T00:44:57Z)

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。