Fugu-MT 論文翻訳(概要): Machine Learning based Laser Failure Mode Detection

論文の概要: Machine Learning based Laser Failure Mode Detection

arxiv url: http://arxiv.org/abs/2203.11729v1
Date: Sat, 19 Mar 2022 09:46:19 GMT
ステータス: 処理完了
システム内更新日: 2022-03-26 21:23:23.407616
Title: Machine Learning based Laser Failure Mode Detection
Title（参考訳）: 機械学習によるレーザー故障モード検出
Authors: khouloud Abdelli, Danish Rafique, and Stephan Pachnicke
Abstract要約: 本稿では,Long Short-Term Memory(LSTM)リカレントニューラルネットワークに基づくデータ駆動型故障検出手法を提案する。 24.41%の分類精度を達成し、LSTMベースのモデルは95.52%の精度を達成する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Laser degradation analysis is a crucial process for the enhancement of laser reliability. Here, we propose a data-driven fault detection approach based on Long Short-Term Memory (LSTM) recurrent neural networks to detect the different laser degradation modes based on synthetic historical failure data. In comparison to typical threshold-based systems, attaining 24.41% classification accuracy, the LSTM-based model achieves 95.52% accuracy, and also outperforms classical machine learning (ML) models namely Random Forest (RF), K-Nearest Neighbours (KNN) and Logistic Regression (LR).
Abstract（参考訳）: レーザ劣化解析は、レーザ信頼性を高めるための重要なプロセスである。本稿では,Long Short-Term Memory(LSTM)リカレントニューラルネットワークに基づくデータ駆動型故障検出手法を提案する。 24.41%の分類精度を持つ典型的なしきい値ベースのシステムと比較すると、LSTMベースのモデルは95.52%の精度を達成し、Random Forest(RF)、K-Nearest Neighbours(KNN)、Logistic Regression(LR)といった古典的な機械学習(ML)モデルよりも優れている。

関連論文リスト

Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文参考訳（メタデータ） (2023-04-14T09:39:06Z)
Degradation Prediction of Semiconductor Lasers using Conditional Variational Autoencoder [0.0]
本稿では, 特定の知識や物理モデルを用いることなく, 劣化傾向を予測できる新しいデータ駆動手法を提案する。提案手法は、教師なし手法、条件付き変分オートエンコーダに基づいており、垂直キャビティ表面発光レーザ(VCSEL)と可変エッジ発光レーザ信頼性データを用いて検証されている。実験結果から,(i)F1スコア95.3%,(ii)ベースラインMLに基づく異常検出技術に優れ,(iii)故障したデバイスを早期に予測して老化試験の短縮に役立てることにより,モデルが良好な劣化予測と一般化性能を達成できることが確認された。
論文参考訳（メタデータ） (2022-11-05T08:10:11Z)
A Machine Learning-based Framework for Predictive Maintenance of Semiconductor Laser for Optical Communication [0.0]
半導体チューナブルレーザーの加速時効試験から得られた実験データを用いて,本フレームワークの有効性を検証した。提案手法は,小さな根平均二乗誤差(RMSE)0.01,優れた異常検出精度94.24%,既存のMLベースのレーザRUL予測モデルよりも優れたRUL推定能力を有する,非常に優れた劣化性能予測性能を実現する。
論文参考訳（メタデータ） (2022-11-05T07:53:02Z)
Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
論文参考訳（メタデータ） (2022-09-07T15:15:12Z)
Bayesian Neural Network Language Modeling for Speech Recognition [59.681758762712754]
長期記憶リカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端のニューラルネットワーク言語モデル(NNLM)は非常に複雑になりつつある。本稿では,LSTM-RNN と Transformer LM の基盤となる不確実性を考慮するために,ベイズ学習フレームワークの全体構造を提案する。
論文参考訳（メタデータ） (2022-08-28T17:50:19Z)
Mixed Precision Low-bit Quantization of Neural Network Language Models for Speech Recognition [67.95996816744251]
長期間のメモリリカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端言語モデル(LM)は、実用アプリケーションではますます複雑で高価なものになりつつある。現在の量子化法は、均一な精度に基づいており、量子化誤差に対するLMの異なる部分での様々な性能感度を考慮できない。本稿では,新しい混合精度ニューラルネットワークLM量子化法を提案する。
論文参考訳（メタデータ） (2021-11-29T12:24:02Z)
An Efficient Deep Learning Model for Automatic Modulation Recognition Based on Parameter Estimation and Transformation [3.3941243094128035]
本稿では,位相パラメータ推定と変換に基づく効率的なDL-AMRモデルを提案する。我々のモデルは、類似の認識精度を持つベンチマークモデルよりも、トレーニング時間とテスト時間で競争力がある。
論文参考訳（メタデータ） (2021-10-11T03:28:28Z)
Invertible Surrogate Models: Joint surrogate modelling and reconstruction of Laser-Wakefield Acceleration by invertible neural networks [55.41644538483948]
可逆ニューラルネットワークは、機械学習の最近の技術である。我々は、レーザープラズマ加速器(iLWFA)に関わる物理学の複雑な前方シミュレーションを近似する可逆サロゲートモデルを導入する。
論文参考訳（メタデータ） (2021-06-01T12:26:10Z)
A Taylor Based Sampling Scheme for Machine Learning in Computational Physics [0.0]
数値シミュレーションプログラムを用いてデータを生成する能力を利用して機械学習モデルをより良く訓練する。通常の微分方程式(ODE)システムの解を学習する際のディープニューラルネットワーク(DNN)の誤差を低減するために、テイラー近似に基づく新しいデータサンプリングスキームを考案した。
論文参考訳（メタデータ） (2021-01-20T12:56:09Z)
Compressing LSTM Networks by Matrix Product Operators [7.395226141345625]
Long Short Term Memory(LSTM)モデルは、多くの最先端自然言語処理(NLP)と音声強調(SE)アルゴリズムの構築ブロックである。ここでは、量子多体物理学における量子状態の局所的相関を記述するMPO分解を紹介する。 LSTMモデルを置き換えるために,行列積演算子(MPO)に基づくニューラルネットワークアーキテクチャを提案する。
論文参考訳（メタデータ） (2020-12-22T11:50:06Z)
Transfer Learning without Knowing: Reprogramming Black-box Machine Learning Models with Scarce Data and Limited Resources [78.72922528736011]
そこで我々は,ブラックボックス・アタベラル・リプログラミング (BAR) という新しい手法を提案する。ゼロオーダー最適化とマルチラベルマッピング技術を用いて、BARは入力出力応答のみに基づいてブラックボックスMLモデルをプログラムする。 BARは最先端の手法より優れ、バニラ対逆プログラミング法に匹敵する性能を得る。
論文参考訳（メタデータ） (2020-07-17T01:52:34Z)

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。