Fugu-MT 論文翻訳(概要): Probabilistic analysis of solar cell optical performance using Gaussian processes

論文の概要: Probabilistic analysis of solar cell optical performance using Gaussian processes

arxiv url: http://arxiv.org/abs/2107.07342v1
Date: Sat, 26 Jun 2021 20:25:05 GMT
ステータス: 処理完了
システム内更新日: 2021-07-18 19:23:12.169599
Title: Probabilistic analysis of solar cell optical performance using Gaussian processes
Title（参考訳）: ガウス過程を用いた太陽電池光性能の確率論的解析
Authors: Rahul Jaiswal and Manel Mart\'inez-Ram\'on and Tito Busani
Abstract要約: 本研究は,シリコンベースのテクスチャセルの性能を推定するために,異なる機械学習に基づく予測手法の適用について検討する。また,セル設計パラメータを所望の性能指標として推定できることを示した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This work investigates application of different machine learning based prediction methodologies to estimate the performance of silicon based textured cells. Concept of confidence bound regions is introduced and advantages of this concept are discussed in detail. Results show that reflection profiles and depth dependent optical generation profiles can be accurately estimated using Gaussian processes with exact knowledge of uncertainty in the prediction values.It is also shown that cell design parameters can be estimated for a desired performance metric.
Abstract（参考訳）: 本研究は、異なる機械学習に基づく予測手法のシリコンベースのテクスチャセルの性能評価への応用について検討する。信頼境界領域の概念を導入し、この概念の利点を詳細に論じる。その結果,予測値の不確かさを正確に把握したガウス過程を用いて,反射プロファイルと奥行き依存光発生プロファイルを正確に推定できること,また,所望の性能測定値に対してセル設計パラメータを推定できることが示唆された。

関連論文リスト

X-Fake: Juggling Utility Evaluation and Explanation of Simulated SAR Images [49.546627070454456]
実データと模擬データの分散不整合性は、シミュレーションSAR画像の有用性に影響を与える主な障害である。本稿では,X-Fake で表されるSAR画像の擬似的な説明を初めて行うことで,信頼性の高い実用性評価フレームワークを提案する。提案手法は、電磁モデルから得られた4つのシミュレーションSAR画像データセットと、生成人工知能アプローチに基づいて検証される。
論文参考訳（メタデータ） (2024-07-28T09:27:53Z)
Probabilistic Parameter Estimators and Calibration Metrics for Pose Estimation from Image Features [30.85393323542915]
本稿では,実時間における測定の不確実性を考慮した確率的パラメータ推定の課題に対処する。本稿では,最小二乗サンプリング法,線形近似法,確率的プログラミング推定法という3つの確率的パラメータ推定手法を提案する。線形近似推定器は、他の手法よりも格段に高速にシャープで精度の良いポーズ予測を生成できるが、特定のシナリオにおいて過信な予測をもたらす可能性があることを実証する。
論文参考訳（メタデータ） (2024-07-23T07:02:01Z)
Conformal Approach To Gaussian Process Surrogate Evaluation With Coverage Guarantees [47.22930583160043]
適応型クロスコンフォーマル予測区間を構築する手法を提案する。結果として生じる共形予測区間は、ベイズ的信頼性集合に類似した適応性のレベルを示す。原子炉の蒸気発生器における閉鎖現象の高コスト・評価シミュレータのサロゲートモデリングの文脈において, 本手法の適用可能性を示す。
論文参考訳（メタデータ） (2024-01-15T14:45:18Z)
MARS: Meta-Learning as Score Matching in the Function Space [79.73213540203389]
本稿では,一連の関連するデータセットから帰納バイアスを抽出する手法を提案する。機能的ベイズニューラルネットワーク推論を用いて、前者をプロセスとみなし、関数空間で推論を行う。本手法は,データ生成プロセスのスコア関数をメタラーニングすることにより,複雑な事前知識をシームレスに獲得し,表現することができる。
論文参考訳（メタデータ） (2022-10-24T15:14:26Z)
Neural Posterior Estimation with Differentiable Simulators [58.720142291102135]
微分可能シミュレータを用いてニューラル・ポストミラー推定(NPE)を行う新しい手法を提案する。勾配情報が後部形状の制約にどのように役立ち、試料効率を向上させるかを示す。
論文参考訳（メタデータ） (2022-07-12T16:08:04Z)
An Energy-Based Prior for Generative Saliency [62.79775297611203]
本稿では,情報的エネルギーベースモデルを事前分布として採用する,新たな生成正当性予測フレームワークを提案する。生成サリエンシモデルを用いて,画像から画素単位の不確実性マップを得ることができ,サリエンシ予測におけるモデル信頼度を示す。実験結果から, エネルギーベース先行モデルを用いた生成塩分率モデルでは, 精度の高い塩分率予測だけでなく, 人間の知覚と整合した信頼性の高い不確実性マップを実現できることが示された。
論文参考訳（メタデータ） (2022-04-19T10:51:00Z)
Machine Learning Based Parameter Estimation of Gaussian Quantum States [14.85374185122389]
単一モードガウス量子状態のパラメータ推定のための機械学習フレームワークを提案する。ベイジアン・フレームワークでは、測定データから適切な事前分布のパラメータを推定する。
論文参考訳（メタデータ） (2021-08-13T04:59:16Z)
Physics-constrained deep neural network method for estimating parameters in a redox flow battery [68.8204255655161]
バナジウムフローバッテリ(VRFB)のゼロ次元(0D)モデルにおけるパラメータ推定のための物理拘束型ディープニューラルネットワーク(PCDNN)を提案する。そこで, PCDNN法は, 動作条件のモデルパラメータを推定し, 電圧の0Dモデル予測を改善することができることを示す。また,PCDNNアプローチでは,トレーニングに使用しない操作条件のパラメータ値を推定する一般化能力が向上することが実証された。
論文参考訳（メタデータ） (2021-06-21T23:42:58Z)
Probabilistic Spatial Analysis in Quantitative Microscopy with Uncertainty-Aware Cell Detection using Deep Bayesian Regression of Density Maps [8.534825157831387]
3d顕微鏡は多様な生物系の研究の鍵である。本稿では,大規模顕微鏡画像上で動作可能な深層学習型細胞検出フレームワークを提案する。
論文参考訳（メタデータ） (2021-02-23T18:52:16Z)
Maximum likelihood estimation and uncertainty quantification for Gaussian process approximation of deterministic functions [10.319367855067476]
本稿は、ガウス過程の回帰の文脈において、ノイズのないデータセットを用いた最初の理論的分析の1つを提供する。本稿では,スケールパラメータのみの最大推定がガウス過程モデルの不特定に対する顕著な適応をもたらすことを示す。
論文参考訳（メタデータ） (2020-01-29T17:20:21Z)

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。