Fugu-MT 論文翻訳(概要): Artificial Intelligence in Electric Machine Drives: Advances and Trends

論文の概要: Artificial Intelligence in Electric Machine Drives: Advances and Trends

arxiv url: http://arxiv.org/abs/2110.05403v1
Date: Mon, 11 Oct 2021 16:42:23 GMT
ステータス: 処理完了
システム内更新日: 2021-10-12 20:48:07.202707
Title: Artificial Intelligence in Electric Machine Drives: Advances and Trends
Title（参考訳）: 電気機械ドライブにおける人工知能の進歩と動向
Authors: Shen Zhang
Abstract要約: 本稿では、従来のAI技術と高度なディープラーニングアルゴリズムを電動機ドライブに適用するための文献を体系的に要約する。ディープラーニングモデルと組み込みハードウェアプラットフォームの急速な進歩により、AIベースのデータ駆動アプローチが、電動機の自動高性能制御において、ますます人気が高まることが期待されている。
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 review paper systematically summarizes the existing literature on applying classical AI techniques and advanced deep learning algorithms to electric machine drives. It is anticipated that with the rapid progress in deep learning models and embedded hardware platforms, AI-based data-driven approaches will become increasingly popular for the automated high-performance control of electric machines. Additionally, this paper also provides some outlook towards promoting its widespread application in the industry, such as implementing advanced RL algorithms with good domain adaptation and transfer learning capabilities and deploying them onto low-cost SoC FPGA devices.
Abstract（参考訳）: 本稿では、古典的ai技術と高度なディープラーニングアルゴリズムを電気機械駆動に適用する既存の文献を体系的に要約する。ディープラーニングモデルと組み込みハードウェアプラットフォームの急速な進歩により、aiベースのデータ駆動アプローチが、電気機械の自動高性能制御でますます普及すると予想されている。さらに、ドメイン適応と転送学習機能を備えた高度なRLアルゴリズムの実装や、低コストのSoC FPGAデバイスへの展開など、業界における広範な応用を促進するための展望も提供する。

関連論文リスト

Machine Learning Innovations in CPR: A Comprehensive Survey on Enhanced Resuscitation Techniques [52.71395121577439]
心肺蘇生(CPR)における機械学習(ML)と人工知能(AI)の変革的役割について検討する。再現結果を改善する上で、予測モデリング、AI強化デバイス、リアルタイムデータ分析の影響を強調している。本稿は、この新興分野における現在の応用、課題、今後の方向性に関する包括的概要、分類、および批判的分析を提供する。
論文参考訳（メタデータ） (2024-11-03T18:01:50Z)
Towards a general framework for improving the performance of classifiers using XAI methods [0.0]
本稿では,XAI手法を用いた事前学習型ディープラーニング(DL)分類器の性能向上のためのフレームワークを提案する。オートエンコーダベースおよびエンコーダデコーダベースと呼び、それらの重要な側面について議論する。
論文参考訳（メタデータ） (2024-03-15T15:04:20Z)
Machine Learning Insides OptVerse AI Solver: Design Principles and Applications [74.67495900436728]
本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
論文参考訳（メタデータ） (2024-01-11T15:02:15Z)
PILOT: A Pre-Trained Model-Based Continual Learning Toolbox [71.63186089279218]
本稿では,PILOTとして知られるモデルベース連続学習ツールボックスについて紹介する。一方、PILOTはL2P、DualPrompt、CODA-Promptといった事前学習モデルに基づいて、最先端のクラスインクリメンタル学習アルゴリズムを実装している。一方、PILOTは、事前学習されたモデルの文脈に典型的なクラス増分学習アルゴリズムを適合させ、それらの効果を評価する。
論文参考訳（メタデータ） (2023-09-13T17:55:11Z)
Training an Ising Machine with Equilibrium Propagation [2.3848738964230023]
イジングマシンは結合スピンのイジングモデルのハードウェア実装である。本研究では,Ising マシンを教師付きで訓練するための新しい手法を実証する。私たちの発見は、AIのための有望なトレーニング可能なハードウェアプラットフォームとして、Ising Machineを確立しました。
論文参考訳（メタデータ） (2023-05-22T15:40:01Z)
Trends in Energy Estimates for Computing in AI/Machine Learning Accelerators, Supercomputers, and Compute-Intensive Applications [3.2634122554914]
幾何スケーリング法則により駆動される異なるシステムの計算エネルギー要求について検討する。幾何スケーリングによるエネルギー効率が低下していることを示す。応用レベルでは、汎用AI-ML手法は計算エネルギー集約化が可能である。
論文参考訳（メタデータ） (2022-10-12T16:14:33Z)
Machine learning applications for electricity market agent-based models: A systematic literature review [68.8204255655161]
エージェントベースのシミュレーションは、電気市場のダイナミクスをよりよく理解するために使用される。エージェントベースのモデルは、機械学習と人工知能を統合する機会を提供する。我々は、エージェントベースの電気市場モデルに適用された機械学習に焦点を当てた2016年から2021年の間に発行された55の論文をレビューする。
論文参考訳（メタデータ） (2022-06-05T14:52:26Z)
Enabling Automated Machine Learning for Model-Driven AI Engineering [60.09869520679979]
モデル駆動型ソフトウェアエンジニアリングとモデル駆動型AIエンジニアリングを実現するための新しいアプローチを提案する。特に、私たちはAutomated MLをサポートし、AI集約システムの開発において、AIの深い知識のないソフトウェアエンジニアを支援します。
論文参考訳（メタデータ） (2022-03-06T10:12:56Z)
Concepts for Automated Machine Learning in Smart Grid Applications [0.2624902795082451]
エネルギーシステムにおける機械学習手法の大規模適用は、専門家の知識の必要性によって損なわれている。プロセス知識は、問題の形式化やモデルの検証、適用に必要です。我々は、自動運転車のSAE標準に沿って、予測のための5つのレベルの自動化を定義する。
論文参考訳（メタデータ） (2021-10-26T11:34:41Z)
Automated Machine Learning Techniques for Data Streams [91.3755431537592]
本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
論文参考訳（メタデータ） (2021-06-14T11:42:46Z)
Convergence of Artificial Intelligence and High Performance Computing on NSF-supported Cyberinfrastructure [3.4291439418246177]
人工知能(AI)アプリケーションは、産業や技術におけるビッグデータの課題に対して、トランスフォーメーションソリューションを推進している。 AIは、統計的および数学的厳密性を備えたコンピューティングパラダイムへと進化し続けており、トレーニング、検証、テストのためのシングルGPUソリューションがもはや不十分であることが明らかになっている。この実現により、AIとハイパフォーマンスコンピューティングの融合が加速し、監視時間の短縮が図られている。
論文参考訳（メタデータ） (2020-03-18T18:00:02Z)

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。