論文の概要: Machine Learning-Assisted E-jet Printing of Organic Flexible Biosensors
- arxiv url: http://arxiv.org/abs/2111.03985v1
- Date: Sun, 7 Nov 2021 01:57:38 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-09 17:08:25.636538
- Title: Machine Learning-Assisted E-jet Printing of Organic Flexible Biosensors
- Title(参考訳): 有機フレキシブルバイオセンサーの機械学習によるe-jet印刷
- Authors: Mehran Abbasi Shirsavar, Mehrnoosh Taghavimehr, Lionel J. Ouedraogo,
Mojan Javaheripi, Nicole N. Hashemi, Farinaz Koushanfar, Reza Montazami
- Abstract要約: 電子ジェットプリント回路の電気伝導度を,鍵印刷パラメータの関数として検討した。
収集された実験データセットは、機械学習アルゴリズムのトレーニングに使用された。
AdaBoostのアンサンブル学習の精度が最も高いのは10-15木である。
- 参考スコア(独自算出の注目度): 8.607141556994513
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Electrohydrodynamic-jet (e-jet) printing technique enables the
high-resolution printing of complex soft electronic devices. As such, it has an
unmatched potential for becoming the conventional technique for printing soft
electronic devices. In this study, the electrical conductivity of the e-jet
printed circuits was studied as a function of key printing parameters (nozzle
speed, ink flow rate, and voltage). The collected experimental dataset was then
used to train a machine learning algorithm to establish models capable of
predicting the characteristics of the printed circuits in real-time. Precision
parameters were compared to evaluate the supervised classification models.
Since decision tree methods could not increase the accuracy higher than 71%,
more advanced algorithms are performed on our dataset to improve the precision
of model. According to F-measure values, the K-NN model (k=10) and random
forest are the best methods to classify the conductivity of electrodes. The
highest accuracy of AdaBoost ensemble learning has resulted in the range of
10-15 trees (87%).
- Abstract(参考訳): 電気流体力学ジェット(e-jet)印刷技術により、複雑なソフト電子機器の高分解能印刷が可能となる。
そのため、従来のソフト電子機器の印刷技術と一致しない可能性を秘めている。
本研究では,電子ジェットプリント回路の電気伝導度を,キー印刷パラメータ(ノズル速度,インク流量,電圧)の関数として検討した。
収集した実験データセットを使用して、機械学習アルゴリズムをトレーニングし、印刷回路の特性をリアルタイムで予測できるモデルを確立する。
教師付き分類モデルを評価するために,精度パラメータを比較した。
決定木法では精度が71%以上向上できないため,モデル精度を向上させるために,より高度なアルゴリズムがデータセット上で実行される。
F測定値によると、K-NNモデル(k=10)とランダムフォレストは電極の導電率を分類する最良の方法である。
AdaBoostのアンサンブル学習の精度が最も高いのは10-15木(87%)である。
関連論文リスト
- Reduced-order modeling and classification of hydrodynamic pattern formation in gravure printing [2.4344640336100936]
印刷および塗布工程における流体力学的パターン形成現象は、まだ完全には理解されていない。
本研究の目的は、教師付き機械学習と低次モデリングに基づく自動パターン分類アルゴリズムを開発することである。
論文 参考訳(メタデータ) (2025-01-24T16:26:20Z) - CEReBrO: Compact Encoder for Representations of Brain Oscillations Using Efficient Alternating Attention [53.539020807256904]
交互注意(CEReBrO)を用いた脳振動の表現のための圧縮法について紹介する。
トークン化方式は、チャネルごとのパッチで脳波信号を表現します。
本研究では,チャネル内時間的ダイナミックスとチャネル間空間的相関を共同でモデル化し,通常の自己アテンションに比べて6倍少ないメモリで2倍の速度向上を実現するための注意機構を提案する。
論文 参考訳(メタデータ) (2025-01-18T21:44:38Z) - An Automated Machine Learning Approach to Inkjet Printed Component Analysis: A Step Toward Smart Additive Manufacturing [0.058520770038704165]
フレキシブル基板上のインクジェット印刷部品のマイクロ波特性評価のための機械学習に基づくアーキテクチャを提案する。
その結果,eXtreme Gradient Boosted Trees Regressor (XGB) と Light Gradient Boosting (LGB) アルゴリズムは,研究中の特徴付け問題に対して最適であることがわかった。
論文 参考訳(メタデータ) (2024-04-06T13:13:45Z) - Machine-Learning Prediction of the Computed Band Gaps of Double
Perovskite Materials [3.2798940914359056]
機能性材料の電子構造の予測は新しい装置の工学に不可欠である。
本研究では,2重ペロブスカイト材料の電子構造を機械学習で予測する。
この結果は,期待できる機能材料を迅速にスクリーニングするために,機械学習による回帰の可能性を実証するという意味で重要である。
論文 参考訳(メタデータ) (2023-01-04T08:19:18Z) - Enhanced physics-constrained deep neural networks for modeling vanadium
redox flow battery [62.997667081978825]
本稿では,物理制約付き深部ニューラルネットワーク(PCDNN)による高精度電圧予測手法を提案する。
ePCDNNは、電圧放電曲線のテール領域を含む電荷放電サイクルを通して、電圧応答を正確にキャプチャすることができる。
論文 参考訳(メタデータ) (2022-03-03T19:56:24Z) - Mixed Precision of Quantization of Transformer Language Models for
Speech Recognition [67.95996816744251]
トランスフォーマーが表現する最先端のニューラルネットワークモデルは、実用アプリケーションにとってますます複雑で高価なものになりつつある。
現在の低ビット量子化法は、均一な精度に基づいており、量子化エラーに対するシステムの異なる部分での様々な性能感度を考慮できない。
最適局所精度設定は2つの手法を用いて自動的に学習される。
Penn Treebank (PTB)とSwitchboard corpusによるLF-MMI TDNNシステムの試験を行った。
論文 参考訳(メタデータ) (2021-11-29T09:57:00Z) - Forecasting Thermoacoustic Instabilities in Liquid Propellant Rocket
Engines Using Multimodal Bayesian Deep Learning [1.911678487931003]
我々は、動的圧力時系列の振幅を予測するために、自己回帰ベイズニューラルネットワークモデルを訓練する。
ネットワークは、圧力振幅の進化を正確に予測し、目に見えない実験で500ミリ秒前に不安定事象を予測できる。
論文 参考訳(メタデータ) (2021-07-01T18:28:13Z) - Efficient pre-training objectives for Transformers [84.64393460397471]
本研究はトランスフォーマーモデルにおける高効率事前学習目標について検討する。
マスクトークンの除去と損失時のアウトプット全体の考慮が,パフォーマンス向上に不可欠な選択であることを証明する。
論文 参考訳(メタデータ) (2021-04-20T00:09:37Z) - Parameterized Temperature Scaling for Boosting the Expressive Power in
Post-Hoc Uncertainty Calibration [57.568461777747515]
我々は新しいキャリブレーション手法であるパラメタライズド温度スケーリング(PTS)を導入する。
最新のポストホックキャリブレータの精度保持性能は、その本質的な表現力によって制限されることを実証します。
当社の新しい精度保存手法が,多数のモデルアーキテクチャやデータセット,メトリクスにおいて,既存のアルゴリズムを一貫して上回っていることを示す。
論文 参考訳(メタデータ) (2021-02-24T10:18:30Z) - EEG-Inception: An Accurate and Robust End-to-End Neural Network for
EEG-based Motor Imagery Classification [123.93460670568554]
本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。
提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。
提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
論文 参考訳(メタデータ) (2021-01-24T19:03:10Z) - Deep Learning-based Prediction of Key Performance Indicators for
Electrical Machine [0.0]
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。
論文 参考訳(メタデータ) (2020-12-16T18:03:58Z)
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。