ANSR-DT: An Adaptive Neuro-Symbolic Learning and Reasoning Framework for Digital Twins

要約

このホワイトペーパーでは、「ANSR-DT」と呼ばれるデジタルツインテクノロジーの適応性のある神経シンボリック学習と推論フレームワークを提案します。
産業環境のデジタル双子は、多くの場合、解釈可能性、リアルタイムの適応、および人間の入力統合に苦労しています。
私たちのアプローチは、CNN-LSTMの動的イベント検出と強化学習と象徴的な推論を組み合わせて、解釈可能な決定プロセスで適応性のあるインテリジェンスを可能にすることにより、これらの課題に対処します。
この統合は、継続的な学習を促進しながら環境の理解を高め、人間の協調アプリケーションにおけるより効果的なリアルタイムの意思決定につながります。
合成産業データに関するANSR-DTを評価し、動的なパターン認識のために最大99.5％の精度で、従来のアプローチに対する大幅な改善を観察しました。
このフレームワークは、拡張された強化学習トレーニングを伴う優れた適応性を実証し、説明された分散を0.447から0.547に改善しました。
将来の作業は、現在の14のルールを超えてルール管理をテストするために、より大きなデータセットにスケーリングすることを目的としています。
当社のオープンソースの実装は、再現性を促進し、産業用アプリケーション向けの適応的で解釈可能な双子の将来の研究の基盤を確立します。

要約(オリジナル)

In this paper, we propose an Adaptive Neuro-Symbolic Learning and Reasoning Framework for digital twin technology called “ANSR-DT.’ Digital twins in industrial environments often struggle with interpretability, real-time adaptation, and human input integration. Our approach addresses these challenges by combining CNN-LSTM dynamic event detection with reinforcement learning and symbolic reasoning to enable adaptive intelligence with interpretable decision processes. This integration enhances environmental understanding while promoting continuous learning, leading to more effective real-time decision-making in human-machine collaborative applications. We evaluated ANSR-DT on synthetic industrial data, observing significant improvements over traditional approaches, with up to 99.5% accuracy for dynamic pattern recognition. The framework demonstrated superior adaptability with extended reinforcement learning training, improving explained variance from 0.447 to 0.547. Future work aims at scaling to larger datasets to test rule management beyond the current 14 rules. Our open-source implementation promotes reproducibility and establishes a foundation for future research in adaptive, interpretable digital twins for industrial applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google