論文の概要: Machine-Learning Assisted Optimization Strategies for Phase Change
Materials Embedded within Electronic Packages
- arxiv url: http://arxiv.org/abs/2104.14433v1
- Date: Wed, 21 Apr 2021 19:20:04 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-03 19:49:19.877939
- Title: Machine-Learning Assisted Optimization Strategies for Phase Change
Materials Embedded within Electronic Packages
- Title(参考訳): 電子パッケージに埋め込まれた相変化材料に対する機械学習支援最適化戦略
- Authors: Meghavin Bhatasana, Amy Marconnet
- Abstract要約: 位相変化材料(PCMs)の潜熱を緩和することで、電子機器のピーク温度と過渡的な温度変化を低減できる。
本研究では、電子機器のシリコンデバイス層内にPCMを埋め込むことにより、ソースとPCMとの間の熱抵抗を最小限に抑える。
組み込みPCM領域の形状と材料特性は、パラメトリックアルゴリズムと機械学習アルゴリズムの組み合わせを使用して最適化されます。
- 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: Leveraging the latent heat of phase change materials (PCMs) can reduce the
peak temperatures and transient variations in temperature in electronic
devices. But as the power levels increase, the thermal conduction pathway from
the heat source to the heat sink limits the effectiveness of these systems. In
this work, we evaluate embedding the PCM within the silicon device layer of an
electronic device to minimize the thermal resistance between the source and the
PCM to minimize this thermal resistance and enhance the thermal performance of
the device. The geometry and material properties of the embedded PCM regions
are optimized using a combination of parametric and machine learning
algorithms. For a fixed geometry, considering commercially available materials,
Solder 174 significantly outperforms other organic and metallic PCMs. Also with
a fixed geometry, the optimal melting points to minimize the peak temperature
is higher than the optimal melting point to minimize the amplitude of the
transient temperature oscillation, and both optima increase with increasing
heater power. Extending beyond conventional optimization strategies, genetic
algorithms and particle swarm optimization with and without neural network
surrogate models are used to enable optimization of many geometric and material
properties. For the test case evaluated, the optimized geometries and
properties are similar between all ML-assisted algorithms, but the
computational time depends on the technique. Ultimately, the optimized design
with embedded phase change materials reduces the maximum temperature rise by
19% and the fluctuations by up to 88% compared to devices without PCM.
- Abstract(参考訳): 位相変化材料(PCM)の潜熱を活用することで、電子機器のピーク温度と過渡的な温度変化を低減できる。
しかし、電力レベルが増加するにつれて、熱源からヒートシンクへの熱伝導経路がこれらのシステムの有効性を制限する。
本研究は, 電子装置のシリコンデバイス層にPCMを埋込み, ソースとPCMの熱抵抗を最小化し, この耐熱抵抗を最小化し, 装置の熱性能を向上させることを目的とする。
組込みpcm領域の形状と材料特性はパラメトリックと機械学習アルゴリズムの組み合わせにより最適化される。
固定幾何学では、市販の材料を考えると、ソルダー174は他の有機および金属のPCMよりも著しく優れている。
また, 温度温度を最小化する最適融点は, 過渡的な温度振動の振幅を最小化する最適融点よりも高く, ヒータパワーを増大させることで両極端が増大する。
従来の最適化戦略を超えて、ニューラルネットワークサロゲートモデルによる遺伝的アルゴリズムと粒子群最適化は、多くの幾何学的および物質的特性の最適化を可能にするために用いられる。
評価されたテストケースでは、最適化されたジオメトリと特性はすべてのml支援アルゴリズムで類似しているが、計算時間は技術に依存する。
最終的に、組込み相変化材料による最適化設計は、pcmのないデバイスと比較して最大温度上昇を19%、変動を最大88%削減する。
関連論文リスト
- Automated design of nonreciprocal thermal emitters via Bayesian optimization [4.255213032353507]
キルヒホフの熱放射の法則を破る非相互熱放射体は、熱とエネルギーの応用にエキサイティングな応用を約束する。
非相互効果を最大化するための一般的な数値的手法を提案する。
ドープ磁気光学材料と磁気ワイル半金属材料をモデル材料として選択し,無パターン多層構造に着目した。
論文 参考訳(メタデータ) (2024-09-13T21:03:18Z) - Machine Learning-Assisted Thermoelectric Cooling for On-Demand Multi-Hotspot Thermal Management [12.515874333424929]
熱電冷却器 (TEC) は、高度電子システムにおける局所ホットスポットの直接冷却とアクティブな熱管理のための有望なソリューションを提供する。
TECは空間冷却、暖房、電力消費に大きなトレードオフをもたらす。
本研究では,大域的最適温度を達成できる熱電冷却器の機械学習支援最適化アルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-04-20T18:35:45Z) - Toward High-Performance Energy and Power Battery Cells with Machine
Learning-based Optimization of Electrode Manufacturing [61.27691515336054]
本研究では,所望のバッテリ適用条件に対する高性能電極の課題に対処する。
本稿では、電気化学性能の2目的最適化のための決定論的機械学習(ML)支援パイプラインによって支援される強力なデータ駆動アプローチを提案する。
以上の結果から,スラリー中の固形物の中間値とカレンダリング度を併用した高活性物質が最適電極となることが示唆された。
論文 参考訳(メタデータ) (2023-07-07T13:48:50Z) - Computational Discovery of Energy-Efficient Heat Treatment for
Microstructure Design using Deep Reinforcement Learning [0.0]
Deep Reinforcement Learning (DRL) は、自律的に最適化され、カスタマイズされた熱処理プロセスを開発するために使用される。
DRLはデータのみからの静的ニューラルネットワークトレーニングに頼るのではなく、学習エージェントが自律的に最適なソリューションを開発する。
論文 参考訳(メタデータ) (2022-09-22T18:07:16Z) - Machine learning based surrogate models for microchannel heat sink
optimization [0.0]
本稿では,二次チャネルとリブを用いたマイクロチャネルの設計を計算流体力学を用いて検討する。
ラテンハイパーキューブサンプリング、機械学習に基づく代理モデリング、多目的最適化を組み合わせたワークフローを提案する。
論文 参考訳(メタデータ) (2022-08-20T13:49:11Z) - Heat Conduction Plate Layout Optimization using Physics-driven
Convolutional Neural Networks [14.198900757461555]
熱伝導のレイアウト最適化は、特に感受性のある熱製品の設計において不可欠である。
データ駆動型アプローチは、所定の外部負荷と様々な幾何学の間のマッピングとして代理モデルを訓練するために使用される。
本稿では,物理駆動型畳み込みニューラルネットワーク(PD-CNN)手法を提案する。
論文 参考訳(メタデータ) (2022-01-21T10:43:57Z) - Measurement of the Low-temperature Loss Tangent of High-resistivity
Silicon with a High Q-factor Superconducting Resonator [58.720142291102135]
温度70mKから1Kの範囲で高比抵抗(100)シリコンウェハの直接損失タンジェント測定を行った。
この測定は, 高温超伝導ニオブ共振器を利用した技術を用いて行った。
論文 参考訳(メタデータ) (2021-08-19T20:13:07Z) - Uhlmann Fidelity and Fidelity Susceptibility for Integrable Spin Chains
at Finite Temperature: Exact Results [68.8204255655161]
奇数パリティ部分空間の適切な包含は、中間温度範囲における最大忠実度感受性の向上につながることを示す。
正しい低温の挙動は、2つの最も低い多体エネルギー固有状態を含む近似によって捉えられる。
論文 参考訳(メタデータ) (2021-05-11T14:08:02Z) - Maximal power for heat engines: role of asymmetric interaction times [110.83289076967895]
本稿では、エンジン性能を最適化するために、相互作用時間非対称性を調整するという考え方を紹介する。
個別最適化プロトコルは熱力学の枠組みで解析される。
論文 参考訳(メタデータ) (2020-12-16T22:26:14Z) - Benchmarking adaptive variational quantum eigensolvers [63.277656713454284]
VQEとADAPT-VQEの精度をベンチマークし、電子基底状態とポテンシャルエネルギー曲線を計算する。
どちらの手法もエネルギーと基底状態の優れた推定値を提供する。
勾配に基づく最適化はより経済的であり、勾配のない類似シミュレーションよりも優れた性能を提供する。
論文 参考訳(メタデータ) (2020-11-02T19:52:04Z) - 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。