論文の概要: Improving Solar Cell Metallization Designs using Convolutional Neural Networks

• arxiv url: http://arxiv.org/abs/2104.04017v1
• Date: Thu, 8 Apr 2021 19:24:45 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-12 13:55:06.536718
• Title: Improving Solar Cell Metallization Designs using Convolutional Neural Networks
• Title（参考訳）: 畳み込みニューラルネットワークによる太陽電池のメタライゼーション設計の改善
• Authors: Sumit Bhattacharya, Devanshu Arya, Debjani Bhowmick, Rajat Mani Thomas, Deepak Kumar Gupta
• Abstract要約: 太陽電池の金属化設計を最適化することは 太陽電池の性能を改善する方法の1つです トポロジー最適化は、性能改善につながる太陽電池の複雑な金属化パターンの設計に使用できる。 本稿では,この設計プロセスが深層学習にインスパイアされた戦略によりさらに改善可能であることを示す。
• 参考スコア（独自算出の注目度）: 3.1364223141241596
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Optimizing the design of solar cell metallizations is one of the ways to improve the performance of solar cells. Recently, it has been shown that Topology Optimization (TO) can be used to design complex metallization patterns for solar cells that lead to improved performance. TO generates unconventional design patterns that cannot be obtained with the traditional shape optimization methods. In this paper, we show that this design process can be improved further using a deep learning inspired strategy. We present SolarNet, a CNN-based reparameterization scheme that can be used to obtain improved metallization designs. SolarNet modifies the optimization domain such that rather than optimizing the electrode material distribution directly, the weights of a CNN model are optimized. The design generated by CNN is then evaluated using the physics equations, which in turn generates gradients for backpropagation. SolarNet is trained end-to-end involving backpropagation through the solar cell model as well as the CNN pipeline. Through application on solar cells of different shapes as well as different busbar geometries, we demonstrate that SolarNet improves the performance of solar cells compared to the traditional TO approach.
• Abstract（参考訳）: 太陽電池の金属化設計を最適化することは、太陽電池の性能を改善する方法の1つである。 近年,Topology Optimization (TO) を用いて, 太陽電池の複雑な金属化パターンを設計し, 性能を向上することが示されている。 従来の形状最適化法では得られない従来型デザインパターンを生成する。 本稿では,この設計プロセスが深層学習にインスパイアされた戦略によりさらに改善可能であることを示す。 改良された金属化設計の獲得に使用できるCNNベースのパラメータ化スキームであるSolarNetを提案する。 SolarNetは、電極材料分布を直接最適化するのではなく、CNNモデルの重みを最適化するように最適化領域を変更する。 cnnが生成した設計は、物理方程式を用いて評価され、その結果、バックプロパゲーションのための勾配を生成する。 SolarNetは、太陽電池モデルとCNNパイプラインによるバックプロパゲーションを含むエンドツーエンドでトレーニングされている。 異なる形状の太陽電池と異なるバスバージオメトリーを応用することにより、SolarNetは従来のTOアプローチと比較して太陽電池の性能を向上させることを示した。

関連論文リスト

• Cliqueformer: Model-Based Optimization with Structured Transformers [102.55764949282906]
  我々は、MBOタスクの構造を学習し、経験的に改良された設計につながるモデルを開発する。 我々はCliqueformerを、高次元のブラックボックス機能から、化学・遺伝設計の現実的なタスクまで、様々なタスクで評価する。
  論文  参考訳（メタデータ） (2024-10-17T00:35:47Z)
• Solarcast-ML: Per Node GraphCast Extension for Solar Energy Production [0.0]
  このプロジェクトは、太陽エネルギー生産予測機能を統合することで、グローバル気象予報のための最先端グラフニューラルネットワーク(GNN)であるGraphCastモデルの拡張を示す。 提案手法は、GraphCastが生成した天気予報を利用して、ニューラルネットワークモデルを用いて、様々な気象条件に基づいて実際の太陽出力と潜在的な太陽出力の比率を予測する。 その結果, 太陽放射の正確な予測, 収束挙動, トレーニング損失の低減, および太陽放射パターンの正確な予測において, モデルの有効性が示された。
  論文  参考訳（メタデータ） (2024-06-19T13:47:05Z)
• Bridging Model-Based Optimization and Generative Modeling via Conservative Fine-Tuning of Diffusion Models [54.132297393662654]
  本稿では,RLによる報酬モデルの最適化により,最先端拡散モデルを微調整するハイブリッド手法を提案する。 我々は、報酬モデルの補間能力を活用し、オフラインデータにおいて最良の設計を上回るアプローチの能力を実証する。
  論文  参考訳（メタデータ） (2024-05-30T03:57:29Z)
• Unleashing the Potential of Large Language Models as Prompt Optimizers: An Analogical Analysis with Gradient-based Model Optimizers [108.72225067368592]
  本稿では,大規模言語モデル(LLM)に基づくプロンプトの設計について検討する。 モデルパラメータ学習における2つの重要な要素を同定する。 特に、勾配に基づく最適化から理論的な枠組みや学習手法を借用し、改良された戦略を設計する。
  論文  参考訳（メタデータ） (2024-02-27T15:05:32Z)
• Gradual Optimization Learning for Conformational Energy Minimization [69.36925478047682]
  ニューラルネットワークによるエネルギー最小化のためのGradual Optimization Learning Framework(GOLF)は、必要な追加データを大幅に削減する。 GOLFでトレーニングしたニューラルネットワークは,種々の薬物様分子のベンチマークにおいて,オラクルと同等に動作することを示す。
  論文  参考訳（メタデータ） (2023-11-05T11:48:08Z)
• Comparative Analysis of Machine Learning Algorithms for Solar Irradiance Forecasting in Smart Grids [0.0]
  本研究では,ランダムフォレスト,エクストリームグラディエントブースティング(XGBoost),ライトグラディエントブーストマシン(ライトGBM)アンサンブル,キャットブースト,マルチレイヤパーセプトロンニューラルネットワーク(MLP-ANN)などの次世代機械学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-20T19:52:37Z)
• A Comparative Study on Generative Models for High Resolution Solar Observation Imaging [59.372588316558826]
  本研究は、観測された太陽活動状態の背後にあるデータ分布を正確に捉えるために、現在の最先端生成モデルの能力について検討する。 スーパーコンピュータ上での分散トレーニングを用いて、人間の専門家が区別できない高品質なサンプルを生成する、最大1024x1024解像度の生成モデルを訓練することができる。
  論文  参考訳（メタデータ） (2023-04-14T14:40:32Z)
• WiSoSuper: Benchmarking Super-Resolution Methods on Wind and Solar Data [0.3558796502491039]
  数値気象予測モデルによる運用予測は空間分解能が10～20kmに限られる。 深層学習に基づく超解像手法のベンチマークを提供する。 ベンチマークには、新しく公開され、処理され、機械学習対応のデータセットが添付されています。
  論文  参考訳（メタデータ） (2021-09-17T21:52:43Z)
• Solar Irradiation Forecasting using Genetic Algorithms [0.0]
  太陽エネルギーは再生可能エネルギーの最も重要な貢献者の1つである。 電力グリッドの効率的な管理には、高精度な太陽光照射を予測する予測モデルが必要である。 訓練と検証に使用されるデータは、アメリカ合衆国の3つの異なる地理的ステーションから記録されている。
  論文  参考訳（メタデータ） (2021-06-26T06:48:20Z)
• Short term solar energy prediction by machine learning algorithms [0.47791962198275073]
  機械学習技術の強みを利用した日次太陽エネルギー予測について報告する。 線形, 尾根, ラッソ, 決定木, ランダム森林, 人工ニューラルネットワークなどのベースライン回帰器の予測モデルを実装した。 改良された精度は,2つのグリッドサイズでランダム森林と尾根回帰器によって達成されている。
  論文  参考訳（メタデータ） (2020-10-25T17:56:03Z)
• Self-Directed Online Machine Learning for Topology Optimization [58.920693413667216]
  自己指向型オンライン学習最適化は、ディープニューラルネットワーク(DNN)と有限要素法(FEM)計算を統合している。 本アルゴリズムは, コンプライアンスの最小化, 流体構造最適化, 伝熱促進, トラス最適化の4種類の問題によって検証された。 その結果, 直接使用法と比較して計算時間を2～5桁削減し, 実験で検証した全ての最先端アルゴリズムより優れていた。
  論文  参考訳（メタデータ） (2020-02-04T20:00:28Z)

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。