住宅建物のための基盤的な熱モデルに向けて

arXiv cs.LG / 2026/5/5

📰 ニュースIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、建物エネルギー分野において、建物ごとの個別キャリブレーションなしで多様な住宅建物・気候・制御戦略にわたって汎化できる「基盤的（foundational）」な熱モデルが必要だと主張している。
物理情報を組み込んだデコーダーのみのトランスフォーマーとして提案され、微分の強化やオイラーに基づく数値積分といった熱領域の知識をモデルに埋め込んでいる。
CityLearnデータセット（247の住宅建物、3つの気候帯）で評価し、1ステップ予測の精度はRMSEが約0.29〜0.30°Cと良好で、従来ベースラインや微調整した時系列基盤モデルよりも優れている。
ゼロショットの転移も示され、わずか2棟の学習だけで、未知の建物や気候帯へ微調整なしで一般化できることを示唆している。
シミュレーションされた住宅建物に限定されるという制約はあるものの、物理情報を取り入れたアーキテクチャの設計原理が将来のユニバーサルな熱基盤モデルの有望な土台になると結論づけている。

Abstract

建物エネルギーコミュニティには基礎となる熱モデルが欠けている。すなわち、建物固有のキャリブレーションなしに、多様な建物・気候・制御戦略にわたって汎化できる単一の事前学習済みモデルである。このビジョンを実現するには、建物固有のパターンを記憶するのではなく普遍的な熱力学を捉えるためのアーキテクチャ原理が必要である。我々は、デコーダのみの枠組みに、微分の強化やEulerに基づく数値積分といったドメイン知識を埋め込む、物理インフォームド・トランスフォーマー・アーキテクチャを提示することで、この目標に一歩踏み出す。シミュレーションモデルから抽出した静的な建物特徴を取り込み、時間的依存関係を捉えるためにRotary Position Embeddingの注意（attention）を用いる。3つの気候帯にまたがる247の住宅用建物を対象とするCityLearnデータセットで評価したところ、我々のモデルは1ステップ予測の精度（テキサスでRMSEが0.30{\deg}C、バーモントで0.29{\deg}C）を達成し、従来のベースラインと微調整したTime-Series Foundation Modelsの両方を上回った。さらに、ゼロショットでの転移可能性も示す。わずか2棟の建物で学習したモデルでも、微調整なしで、未見の建物および気候帯へと汎化できる。シミュレーションされた住宅用建物という制約はあるものの、これらの結果は、普遍的な建物の熱モデルの有望な基盤として、物理インフォームドなアーキテクチャ原理を確立するものである。