Active Inference Meeting Energy-Efficient Control of Parallel and Identical Machines

要約

私たちは、製造システム用のエネルギー効率の高い制御エージェントの開発における能動推論の応用を調査します。
神経科学に根ざした能動推論は、固有の不確実性の定量化要素を備えた、知覚、学習、行動を統合する統一された確率的フレームワークを提供します。
私たちの研究では、深層学習と能動推論の意思決定フレームワークを組み合わせた新興分野である深層能動推論を調査しています。
ディープアクティブ推論エージェントを活用して、並列かつ同一のマシンワークステーションを制御してエネルギー効率を高めることに重点を置いています。
私たちは、既存のエージェント アーキテクチャにカスタマイズされた機能強化を導入することで、問題の確率的性質とポリシー対応の遅れによってもたらされる課題に対処します。
具体的には、複雑な計画の必要性を軽減するために、複数ステップの移行およびハイブリッド ホライズン手法を導入します。
私たちの実験結果は、これらの機能強化の有効性を実証し、アクティブな推論ベースのアプローチの可能性を強調しています。

要約(オリジナル)

We investigate the application of active inference in developing energy-efficient control agents for manufacturing systems. Active inference, rooted in neuroscience, provides a unified probabilistic framework integrating perception, learning, and action, with inherent uncertainty quantification elements. Our study explores deep active inference, an emerging field that combines deep learning with the active inference decision-making framework. Leveraging a deep active inference agent, we focus on controlling parallel and identical machine workstations to enhance energy efficiency. We address challenges posed by the problem’s stochastic nature and delayed policy response by introducing tailored enhancements to existing agent architectures. Specifically, we introduce multi-step transition and hybrid horizon methods to mitigate the need for complex planning. Our experimental results demonstrate the effectiveness of these enhancements and highlight the potential of the active inference-based approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google