論文の概要: Performance Assessment of different Machine Learning Algorithm for
Life-Time Prediction of Solder Joints based on Synthetic Data
- arxiv url: http://arxiv.org/abs/2204.06627v1
- Date: Wed, 13 Apr 2022 19:59:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-15 13:36:24.087830
- Title: Performance Assessment of different Machine Learning Algorithm for
Life-Time Prediction of Solder Joints based on Synthetic Data
- Title（参考訳）: 合成データに基づくソルダ継手の寿命予測のための異なる機械学習アルゴリズムの性能評価
- Authors: Stefan Muench, Darshankumar Bhat, Leonhard Heindel, Peter Hantschke,
Mike Roellig, Markus Kaestner
- Abstract要約: 2つの機械学習アルゴリズムは、予測精度と必要なトレーニングデータ量に対して、トレーニングされ、比較される。
どちらのアプローチも、電子デバイス上での寿命予測を約束している。
- 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: This paper proposes a computationally efficient methodology to predict the
damage progression in solder contacts of electronic components using
temperature-time curves. For this purpose, two machine learning algorithms, a
Multilayer Perceptron and a Long Short-Term Memory network, are trained and
compared with respect to their prediction accuracy and the required amount of
training data. The training is performed using synthetic, normally distributed
data that is realistic for automotive applications. A finite element model of a
simple bipolar chip resistor in surface mount technology configuration is used
to numerically compute the synthetic data. As a result, both machine learning
algorithms show a relevant accuracy for the prediction of accumulated creep
strains. With a training data length of 350 hours (12.5% of the available
training data), both models show a constantly good fitting performance of $R^2$
of 0.72 for the Multilayer Perceptron and $R^2$ of 0.87 for the Long Short-Term
Memory network. The prediction errors of the accumulated creep strains are less
than 10% with an amount of 350 hours training data and decreases to less than 5
% when using further data. Therefore, both approaches are promising for the
lifetime prediction directly on the electronic device.
- Abstract（参考訳）: 本稿では,温度-時間曲線を用いた電子部品の半田接触による損傷進行予測手法を提案する。
この目的のために、2つの機械学習アルゴリズムであるMultilayer PerceptronとLong Short-Term Memory Networkをトレーニングし、その予測精度と必要なトレーニングデータ量と比較する。
トレーニングは、自動車アプリケーションに現実的な、通常分散された合成データを使用して実行される。
表面実装技術構成における単純なバイポーラチップ抵抗の有限要素モデルを用いて合成データを数値計算する。
その結果、両方の機械学習アルゴリズムは、蓄積したクリープひずみの予測に適切な精度を示す。
トレーニングデータの長さは350時間(トレーニングデータの12.5%)で、両モデルとも、多層パーセプトロンでは$r^2$、長期短期記憶ネットワークでは$r^2$、 0.87と常に適合する性能を示している。
蓄積したクリープひずみの予測誤差は350時間トレーニングデータで10%未満であり、さらなるデータを使用すると5%未満に低下する。
したがって,両手法は電子デバイス上での寿命予測に有効である。
関連論文リスト
- Computation-Aware Gaussian Processes: Model Selection And Linear-Time Inference [55.150117654242706]
我々は、1.8万のデータポイントでトレーニングされた計算対応GPのモデル選択が、1つのGPU上で数時間以内に可能であることを示す。
この研究の結果、ガウス過程は、不確実性を定量化する能力を著しく妥協することなく、大規模なデータセットで訓練することができる。
論文 参考訳（メタデータ） (2024-11-01T21:11:48Z) - TwinLab: a framework for data-efficient training of non-intrusive reduced-order models for digital twins [0.7863035464831994]
本研究では,2つのデータセットしか持たないニューラル-ODE型リダクションオーダモデルの,効率的かつ高精度なトレーニングフレームワークであるTwinLabを提案する。
トレーニングに最適なデータセットをひとつ見つけた後、類似性とエラー対策の助けを借りて第2のデータセットを求め、トレーニングプロセスを効果的に強化する。
発見: トレーニングプロセスに適切な第2のトレーニングデータセットを追加すると、テストエラーが最大49%削減される。
論文 参考訳（メタデータ） (2024-07-04T13:37:13Z) - Efficient Asynchronous Federated Learning with Sparsification and
Quantization [55.6801207905772]
フェデレートラーニング(FL)は、生データを転送することなく、機械学習モデルを協調的にトレーニングするために、ますます注目を集めている。
FLは一般的に、モデルトレーニングの全プロセス中にパラメータサーバーと多数のエッジデバイスを利用する。
TEASQ-Fedは、エッジデバイスを利用して、タスクに積極的に適用することで、トレーニングプロセスに非同期に参加する。
論文 参考訳（メタデータ） (2023-12-23T07:47:07Z) - Fast Cell Library Characterization for Design Technology Co-Optimization Based on Graph Neural Networks [0.1752969190744922]
設計技術の共同最適化(DTCO)は、最適パワー、性能、領域を達成する上で重要な役割を果たす。
本稿では,高速かつ正確なセルライブラリ解析のためのグラフニューラルネットワーク(GNN)に基づく機械学習モデルを提案する。
論文 参考訳（メタデータ） (2023-12-20T06:10:27Z) - Forecasting Lithium-Ion Battery Longevity with Limited Data
Availability: Benchmarking Different Machine Learning Algorithms [3.4628430044380973]
この研究は、従来の機械学習とディープラーニングの両方で、さまざまな機械学習アルゴリズムの相対的なパフォーマンスを比較することを目的としている。
統計的データに基づいて手工芸品を投入した14種類の機械学習モデルについて検討した。
深層学習モデルは、特に生の限られたデータに対して不適切な性能を示すことが観察された。
論文 参考訳（メタデータ） (2023-12-10T00:51:50Z) - Post-training Model Quantization Using GANs for Synthetic Data
Generation [57.40733249681334]
量子化法における実データを用いたキャリブレーションの代用として合成データを用いた場合について検討する。
本稿では,StyleGAN2-ADAが生成したデータと事前学習したDiStyleGANを用いて定量化したモデルの性能と,実データを用いた量子化とフラクタル画像に基づく代替データ生成手法との比較を行った。
論文 参考訳（メタデータ） (2023-05-10T11:10:09Z) - Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。
デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。
本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
論文 参考訳（メタデータ） (2022-09-01T03:27:33Z) - A Generative Model to Synthesize EEG Data for Epileptic Seizure
Prediction [3.8271082752302137]
本稿では, 合成脳波サンプルを生成するための深層畳み込み生成対向ネットワークを提案する。
我々は合成データ、すなわち1クラスSVMと、畳み込みてんかん発作予測器(CESP)と呼ばれる新しい提案を2つの手法で検証する。
以上の結果から,CESPモデルでは78.11%,88.21%,FPR0.27/h,0.14/hの感度が得られた。
論文 参考訳（メタデータ） (2020-12-01T12:00:36Z) - Predicting Training Time Without Training [120.92623395389255]
我々は、事前訓練された深層ネットワークが損失関数の所定の値に収束する必要がある最適化ステップの数を予測する問題に取り組む。
我々は、微調整中の深部ネットワークのトレーニングダイナミクスが線形化モデルによってよく近似されているという事実を活用する。
トレーニングをする必要なく、特定の損失にモデルを微調整するのに要する時間を予測できます。
論文 参考訳（メタデータ） (2020-08-28T04:29:54Z) - AutoSimulate: (Quickly) Learning Synthetic Data Generation [70.82315853981838]
目的の新たな微分可能近似に基づく最適な合成データ生成法を提案する。
提案手法は,学習データ生成の高速化(最大50Times$)と,実世界のテストデータセットの精度向上(+8.7%$)を実現している。
論文 参考訳（メタデータ） (2020-08-16T11:36:11Z) - Towards Efficient Scheduling of Federated Mobile Devices under
Computational and Statistical Heterogeneity [16.069182241512266]
本稿では,モバイルデバイス上での分散学習の実装について検討する。
チューニングノブとしてデータを使用し、異なるワークロードをスケジュールする2つの効率的な時間アルゴリズムを提案する。
一般的なベンチマークと比較すると,提案アルゴリズムはCIFAR10で2-100倍の高速化,2-7%の精度向上,収束率を100%以上達成している。
論文 参考訳（メタデータ） (2020-05-25T18:21:51Z)
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。