論文の概要: A research world model of power engineering learns its dynamics and reveals what-ifs

• arxiv url: http://arxiv.org/abs/2611.04566v1
• Date: Tue, 03 Nov 2026 09:29:05 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:47:35.830615
• Title: A research world model of power engineering learns its dynamics and reveals what-ifs
• Title（参考訳）: パワーエンジニアリングの研究世界モデルがそのダイナミクスを学習し、何を示すかを明らかにする
• Abstract要約: 本稿では,研究分野を動的システムとして扱う研究世界モデルを紹介する。 蒸留言語モデルは各論文をロール型の概念に読み上げ、2つの洗練された高忠実なグラフ時間ニューラルネットワークコアは、結果として生じる概念ネットワークがどのように進化するかを学ぶ。 出版記録の自然実験から学んだオペレーターは介入の効果を見積もる。
• 参考スコア（独自算出の注目度）: 5.763289271863734
• License:
• Abstract: Decisions about the direction of research in power engineering determine which technologies mature and, through them, shape infrastructure that lasts decades, yet their consequences cannot be observed before they are taken, and existing forecasts of research fields extrapolate a single trajectory. Here we introduce research world models, which treat a research field as a dynamical system that can be acted upon, and establish one for power engineering from 1.1 million papers. A distilled language model reads each paper into role-typed concepts, two sophisticated, high-fidelity graph-temporal neural network cores learn how the resulting concept network evolves, and operators learned from natural experiments in the publication record estimate the effects of interventions. In temporally held-out tests, the model forecast years ahead which concepts would grow and which method-target pairs would be joined for the first time, outperforming tuned machine-learning baselines in most settings, and its estimated intervention effects tracked those realized in natural experiments it had not seen. Its training scheme and three of its operators replicated in two fields withheld from development. Questions posed in natural language are compiled by a domain-specialized 27-billion-parameter language model into executable actions and answered as paired simulations with and without the intervention. The answers were rated 4.1 of 5 for faithfulness by an independent language-model judge. By revealing the latent dynamics of a research field and its response to interventions, research world models offer a new way to simulate and test research decisions before they are made.
• Abstract（参考訳）: 電力工学における研究の方向性に関する決定は、どの技術が成熟し、それを通して、何十年も続くインフラを形作るかを決定するが、その成果は取られる前に観察できず、既存の研究分野の予測は1つの軌道を外挿する。 ここでは、研究分野を動的システムとして扱う研究世界モデルを紹介し、11万枚の論文から電力工学のためのモデルを確立する。 蒸留言語モデルは、各論文をロール型の概念に読み上げ、2つの洗練された高忠実グラフ時間ニューラルネットワークコアは、結果のコンセプトネットワークがどのように進化するかを学習し、オペレーターは出版記録で自然実験から、介入の効果を推定する。 時間的に保留されたテストでは、どの概念が成長し、どのメソッドとターゲットのペアが最初に結合されるかを予測し、ほとんどの環境でチューニングされた機械学習のベースラインを上回り、その推定された介入効果は、目にしなかった自然実験で実現されたことを追跡した。 訓練計画と3つのオペレーターは2つのフィールドで複製されたが、開発は行われなかった。 自然言語で表される質問は、ドメイン特化27ビリオンパラメータ言語モデルによって実行可能アクションにコンパイルされ、介入なしにペア化されたシミュレーションとして答えられる。 回答は、独立した言語モデル審査員によって忠実さのために5の4.1と評価された。 研究分野の潜伏するダイナミクスと介入に対する反応を明らかにすることで、研究の世界モデルは、研究決定を事前にシミュレートし、テストする新しい方法を提供する。

関連論文リスト

• Language Models as AI Research World Models [61.302805712033745]
  研究世界モデル (Research World Models, RWMs) は、研究環境全体にわたる候補介入の結果を予測する。 本評価は, プレトレーニング, ポストトレーニング, 推論にまたがる9つの研究環境から, 2,600 以上の実験記録を抽出した。 in-env と cross-env の研究知識を持つ RWM は、それぞれ 15.8% と 11.6% を達成している。
  論文  参考訳（メタデータ） (2026-10-08T16:18:54Z)
• DiffUNet^2: Bidirectional Prediction, Probabilistic Generation and Collaborative Visual Discovery for Scientific Data [25.698658042998073]
  時相進化は科学現象の分析と推論に重要である。 ほとんどの機械学習手法は、複数の妥当な結果を見渡す決定論的前方予測を提供する。 本稿では,拡散に基づく生成モデルとインタラクティブな視覚分析を統合し,科学的探索を行うフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-02T17:15:01Z)
• World Models for Robotic Manipulation: A Survey [30.864774708923147]
  ロボット操作のための世界モデルについて3つの質問を通して調査する。 我々は,世界モデルを行動条件付き予測システムとして運用的に定義する。 合成経験生成、候補フィルタリング、検索に基づく評価、学習環境、結果検証などのインフラの役割を特徴付ける。
  論文  参考訳（メタデータ） (2026-05-27T05:32:17Z)
• Agentic World Modeling: Foundations, Capabilities, Laws, and Beyond [209.35045331678043]
  2つの軸に沿って組織された「レベルx法」の分類を導入します。 第一に、3つの能力レベルを定義している: 1段階の局所遷移演算子を学ぶL1 Predictor、それらをドメインの法則を尊重する多段階のアクション条件付きロールアウトに構成するL2 Simulator、新しいエビデンスに対して予測が失敗すると自己のモデルを自動で修正するL3 Evolver。 我々は400以上の作品を合成し、モデルに基づく強化学習、ビデオ生成、WebおよびGUIエージェント、マルチエージェント社会シミュレーション、AIによる科学的発見にまたがる100以上の代表システムを要約する。
  論文  参考訳（メタデータ） (2026-04-24T17:48:47Z)
• A Survey of World Models for Autonomous Driving [55.520179689933904]
  自律運転の最近の進歩は、堅牢な世界モデリングの進歩によって推進されている。 世界モデルは、マルチセンサーデータ、セマンティックキュー、時間ダイナミクスを統合する駆動環境の高忠実度表現を提供する。 今後の研究は、自己指導型表現学習、マルチモーダル融合、高度なシミュレーションにおける重要な課題に対処する必要がある。
  論文  参考訳（メタデータ） (2025-01-20T04:00:02Z)
• Predictive Modeling, Pattern Recognition, and Spatiotemporal Representations of Plant Growth in Simulated and Controlled Environments: A Comprehensive Review [0.0]
  本稿では,最先端の予測パターン認識技術について概説する。 植物形質の確率論的モデリングと動的環境相互作用の統合に着目した。 主なトピックは、予測タスクのための回帰とニューラルネットワークベースの表現モデルだ。
  論文  参考訳（メタデータ） (2024-12-13T20:22:35Z)
• The Neural Process Family: Survey, Applications and Perspectives [40.800706337651526]
  ニューラルプロセスファミリー(NPF)は、メタ学習予測の不確実性にニューラルネットワークを活用することによって、両方の世界の長所を提供する。 私たちは、他の深層学習分野のいくつかの最近の進歩を、ひとつの傘の下で実現する可能性に光を当てました。
  論文  参考訳（メタデータ） (2022-09-01T15:01:32Z)
• Complete CVDL Methodology for Investigating Hydrodynamic Instabilities [0.49873153106566565]
  流体力学において、最も重要な研究分野の1つは流体力学の不安定性と異なる流れ状態におけるその進化である。 現在、そのような現象、すなわち分析モデル、実験、シミュレーションを理解するために3つの主要な手法が使用されている。 我々は、この研究の大部分が、Deep Learning(CVDL、Deep Computer-Vision)の分野における最近の画期的な進歩を用いて、分析されるべきであると主張している。 具体的には、最も代表的な不安定性であるRayleigh-Taylorの研究に焦点をあて、その振る舞いをシミュレートし、オープンソースの状態を作り出す。
  論文  参考訳（メタデータ） (2020-04-03T13:52:04Z)

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。