論文の概要: Deep Learning-based Prediction of Key Performance Indicators for
Electrical Machine
- arxiv url: http://arxiv.org/abs/2012.11299v2
- Date: Sat, 23 Jan 2021 13:29:32 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-03 02:52:32.155296
- Title: Deep Learning-based Prediction of Key Performance Indicators for
Electrical Machine
- Title（参考訳）: 深層学習に基づく電気機械のキー性能指標の予測
- Authors: Vivek Parekh, Dominik Flore, Sebastian Sch\"ops
- Abstract要約: データ支援,深層学習に基づくメタモデルを用いて,電気機械の設計を迅速かつ高精度に予測する。
その結果、高い予測精度を示し、最適化時間を最小化するためのディープラーニングに基づくメタモデルの妥当性を示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The design of an electrical machine can be quantified and evaluated by Key
Performance Indicators (KPIs) such as maximum torque, critical field strength,
costs of active parts, sound power, etc. Generally, cross-domain tool-chains
are used to optimize all the KPIs from different domains (multi-objective
optimization) by varying the given input parameters in the largest possible
design space. This optimization process involves magneto-static finite element
simulation to obtain these decisive KPIs. It makes the whole process a
vehemently time-consuming computational task that counts on the availability of
resources with the involvement of high computational cost. In this paper, a
data-aided, deep learning-based meta-model is employed to predict the KPIs of
an electrical machine quickly and with high accuracy to accelerate the full
optimization process and reduce its computational costs. The focus is on
analyzing various forms of input data that serve as a geometry representation
of the machine. Namely, these are the cross-section image of the electrical
machine that allows a very general description of the geometry relating to
different topologies and the classical way with scalar parametrization of
geometry. The impact of the resolution of the image is studied in detail. The
results show a high prediction accuracy and proof that the validity of a deep
learning-based meta-model to minimize the optimization time. The results also
indicate that the prediction quality of an image-based approach can be made
comparable to the classical way based on scalar parameters.
- Abstract（参考訳）: 電気機械の設計は、最大トルク、臨界磁場強度、アクティブ部品のコスト、音響パワーなどのキーパフォーマンス指標(KPI)によって定量評価することができる。
一般に、クロスドメインツールチェーンは、与えられた入力パラメータを最大の設計空間で変更することにより、異なるドメインから全てのKPIを最適化するために使用される。
この最適化プロセスは、これらの決定的なKPIを得るために静磁有限要素シミュレーションを含む。
これにより、計算コストの高いリソースの可用性を考慮し、プロセス全体を膨大な時間を要する計算タスクにします。
本稿では,データ支援型深層学習メタモデルを用いて,電気機械のKPIを高速かつ高精度に予測し,全最適化プロセスの高速化と計算コストの削減を図る。
その焦点は、機械の幾何表現として機能する様々な入力データを分析することである。
すなわち、これらが電気機械の断面像であり、異なる位相に関する幾何学と、幾何学のスカラーパラメトリゼーションを伴う古典的方法の非常に一般的な記述を可能にする。
画像の解像度の影響を詳細に研究する。
その結果, 予測精度が高く, 最適化時間を最小限に抑える深層学習に基づくメタモデルの有効性が示された。
また,画像ベースアプローチの予測品質は,スカラーパラメータに基づく古典的手法に匹敵する可能性が示唆された。
関連論文リスト
- Computation-Aware Gaussian Processes: Model Selection And Linear-Time Inference [55.150117654242706]
我々は、1.8万のデータポイントでトレーニングされた計算対応GPのモデル選択が、1つのGPU上で数時間以内に可能であることを示す。
この研究の結果、ガウス過程は、不確実性を定量化する能力を著しく妥協することなく、大規模なデータセットで訓練することができる。
論文 参考訳（メタデータ） (2024-11-01T21:11:48Z) - Impact of ML Optimization Tactics on Greener Pre-Trained ML Models [46.78148962732881]
本研究の目的は,画像分類データセットと事前学習モデルの解析,最適化モデルと非最適化モデルを比較して推論効率を向上させること,最適化の経済的影響を評価することである。
画像分類におけるPyTorch最適化手法(動的量子化、トーチ・コンパイル、局所プルーニング、グローバルプルーニング)と42のHugging Faceモデルの影響を評価するための制御実験を行った。
動的量子化は推論時間とエネルギー消費の大幅な削減を示し、大規模システムに非常に適している。
論文 参考訳（メタデータ） (2024-09-19T16:23:03Z) - Deep learning based Meta-modeling for Multi-objective Technology
Optimization of Electrical Machines [0.0]
本稿では,2つの異なるマシン技術を同時に最適化するための変分自動エンコーダの応用について述べる。
トレーニング後、私たちは、グローバルなキーパフォーマンス指標を予測するために、ディープニューラルネットワークとデコーダをメタモデルとして使用します。
論文 参考訳（メタデータ） (2023-06-15T12:33:39Z) - FaDIn: Fast Discretized Inference for Hawkes Processes with General
Parametric Kernels [82.53569355337586]
この研究は、有限なサポートを持つ一般パラメトリックカーネルを用いた時間点プロセス推論の効率的な解を提供する。
脳磁図(MEG)により記録された脳信号からの刺激誘発パターンの発生をモデル化し,その有効性を評価する。
その結果,提案手法により,最先端技術よりもパターン遅延の推定精度が向上することが示唆された。
論文 参考訳（メタデータ） (2022-10-10T12:35:02Z) - Shapley-NAS: Discovering Operation Contribution for Neural Architecture
Search [96.20505710087392]
ニューラルアーキテクチャ探索のための演算寄与度(Shapley-NAS)を評価するためのShapley値に基づく手法を提案する。
提案手法は,光探索コストに比例して最先端の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-06-20T14:41:49Z) - Evaluating natural language processing models with generalization
metrics that do not need access to any training or testing data [66.11139091362078]
本稿では,Hugingface から事前学習した大規模トランスフォーマーに対して,一般化指標を用いた最初のモデル選択結果を提案する。
ニッチな状況にもかかわらず、ヘビーテール(HT)の観点から派生したメトリクスは、特にNLPタスクにおいて有用である。
論文 参考訳（メタデータ） (2022-02-06T20:07:35Z) - Variational Autoencoder based Metamodeling for Multi-Objective Topology
Optimization of Electrical Machines [0.0]
本稿では,異なるパラメータの電気機械トポロジのキーパフォーマンス指標(KPI)を同時に予測する新しい手法を提案する。
トレーニング後、潜在空間を介して、デコーダと多層ニューラルネットワークは、それぞれ新しいデザインをサンプリングし、関連するトポロジを予測するメタモデルとして機能する。
論文 参考訳（メタデータ） (2022-01-21T19:49:54Z) - A Graph Deep Learning Framework for High-Level Synthesis Design Space
Exploration [11.154086943903696]
High-Level Synthesisは、アプリケーション固有の高速プロトタイピングのためのソリューションである。
本稿では,加速性能とハードウェアコストを共同で予測するグラフニューラルネットワークHLSを提案する。
提案手法は,一般的なシミュレータと同等の精度で予測できることを示す。
論文 参考訳（メタデータ） (2021-11-29T18:17:45Z) - Surrogate Modelling for Injection Molding Processes using Machine
Learning [0.23090185577016442]
射出成形は、複雑なプラスチックオブジェクトをモデル化するための最も一般的な製造方法の1つである。
モルドフローシミュレーションプロジェクトからのデータの抽出を含むデータ処理パイプラインのベースラインを提案する。
我々は,時間と偏向分布予測のための機械学習モデルを評価し,MSEおよびRMSEメトリクスのベースライン値を提供する。
論文 参考訳（メタデータ） (2021-07-30T12:13:52Z) - Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。
我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。
すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
論文 参考訳（メタデータ） (2020-10-01T18:14:11Z)
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。