論文の概要: Degradation Prediction of Semiconductor Lasers using Conditional Variational Autoencoder

• arxiv url: http://arxiv.org/abs/2211.02847v1
• Date: Sat, 5 Nov 2022 08:10:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-08 17:57:37.412948
• Title: Degradation Prediction of Semiconductor Lasers using Conditional Variational Autoencoder
• Title（参考訳）: 条件変分オートエンコーダを用いた半導体レーザの劣化予測
• Authors: Khouloud Abdelli, Helmut Griesser, Christian Neumeyr, Robert Hohenleitner, and Stephan Pachnicke
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Semiconductor lasers have been rapidly evolving to meet the demands of next-generation optical networks. This imposes much more stringent requirements on the laser reliability, which are dominated by degradation mechanisms (e.g., sudden degradation) limiting the semiconductor laser lifetime. Physics-based approaches are often used to characterize the degradation behavior analytically, yet explicit domain knowledge and accurate mathematical models are required. Building such models can be very challenging due to a lack of a full understanding of the complex physical processes inducing the degradation under various operating conditions. To overcome the aforementioned limitations, we propose a new data-driven approach, extracting useful insights from the operational monitored data to predict the degradation trend without requiring any specific knowledge or using any physical model. The proposed approach is based on an unsupervised technique, a conditional variational autoencoder, and validated using vertical-cavity surface-emitting laser (VCSEL) and tunable edge emitting laser reliability data. The experimental results confirm that our model (i) achieves a good degradation prediction and generalization performance by yielding an F1 score of 95.3%, (ii) outperforms several baseline ML based anomaly detection techniques, and (iii) helps to shorten the aging tests by early predicting the failed devices before the end of the test and thereby saving costs
• Abstract（参考訳）: 半導体レーザーは、次世代光ネットワークの要求に応えるために急速に進化している。 これにより、半導体レーザーの寿命を制限する劣化機構(例えば突然劣化)に支配されるレーザーの信頼性に対するより厳しい要求が課される。 物理に基づくアプローチは、分解の挙動を解析的に特徴づけるためにしばしば用いられるが、明示的なドメイン知識と正確な数学的モデルが必要である。 このようなモデルの構築は、様々な操作条件下での劣化を引き起こす複雑な物理過程の完全な理解が欠如しているため、非常に難しい。 上記の制約を克服するため,我々は運用監視データから有用な知見を抽出し,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する新しいデータ駆動手法を提案する。 提案手法は,無教師法,条件変動オートエンコーダを用い,垂直キャビティ面発光レーザ(vcsel)と波長可変面発光レーザ信頼性データを用いて検証する。 実験結果から 我々のモデルが i)F1スコア95.3%を得ることにより、優れた劣化予測と一般化性能を実現する。 (ii)いくつかのベースラインMLに基づく異常検出技術、及び (iii)試験終了前に故障した装置を早期に予測して老化試験を短縮し、コストの削減を図ること。

関連論文リスト

• Model-Based Reparameterization Policy Gradient Methods: Theory and Practical Algorithms [88.74308282658133]
  Reization (RP) Policy Gradient Methods (PGM) は、ロボット工学やコンピュータグラフィックスにおける連続的な制御タスクに広く採用されている。 近年の研究では、長期強化学習問題に適用した場合、モデルベースRP PGMはカオス的かつ非滑らかな最適化環境を経験する可能性があることが示されている。 本稿では,長期モデルアンロールによる爆発的分散問題を緩和するスペクトル正規化法を提案する。
  論文  参考訳（メタデータ） (2023-10-30T18:43:21Z)
• Physics-Driven ML-Based Modelling for Correcting Inverse Estimation [6.018296524383859]
  この研究は、SAE逆問題にそれらを採用する前に失敗した状態推定を検出し、修正することに焦点を当てている。 本稿では,低エラーと高効率の両方を実現することを目的として,GEESEという新しい手法を提案する。 GEESEは3つの実世界のSAE逆問題でテストされ、最先端の最適化/探索手法と比較される。
  論文  参考訳（メタデータ） (2023-09-25T09:37:19Z)
• Distance Preserving Machine Learning for Uncertainty Aware Accelerator Capacitance Predictions [1.1776336798216411]
  ディープニューラルネットワークとガウス過程近似技術は有望な結果を示しているが、標準ディープニューラルネットワーク層による次元削減はガウス過程モデルに必要な距離情報を維持することが保証されていない。 本研究では, スペクトル正規化高密度層に対する特異値分解法を, ディープ・ニューラル・ガウス過程近似モデルの特徴抽出器として用いた。 本モデルでは, 距離保存の精度が向上し, 1%未満の誤差で分配容量を予測できる。
  論文  参考訳（メタデータ） (2023-07-05T15:32:39Z)
• Neuro-symbolic model for cantilever beams damage detection [0.0]
  本稿では,新しい認知アーキテクチャに基づくカンチレバービームの損傷検出のためのニューロシンボリックモデルを提案する。 ハイブリッド識別モデルはLogic Convolutional Neural Regressorという名称で導入されている。
  論文  参考訳（メタデータ） (2023-05-04T13:12:39Z)
• Deep learning applied to computational mechanics: A comprehensive review, state of the art, and the classics [77.34726150561087]
  人工知能,特に深層学習(DL)の最近の進歩を概観する。 ハイブリッドおよび純粋機械学習(ML)の手法について論じる。 AIの歴史と限界は、特に古典の誤解や誤解を指摘し、議論され、議論される。
  論文  参考訳（メタデータ） (2022-12-18T02:03:00Z)
• 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)
• Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
  ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。 電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。 本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
  論文  参考訳（メタデータ） (2022-08-31T18:19:25Z)
• Machine Learning based Laser Failure Mode Detection [0.0]
  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。
  論文  参考訳（メタデータ） (2022-03-19T09:46:19Z)
• Direct phase modulation via optical injection: theoretical study [50.591267188664666]
  本研究では,自然発生騒音の影響について検討し,利得非直線性の役割について検討し,温度変動の影響について考察した。 我々は,光注入型位相変調器の試作・運用において,これらの特徴を考慮に入れた実用的な手順を定式化しようと試みている。
  論文  参考訳（メタデータ） (2020-11-18T13:20:04Z)
• 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)
• Predictive modeling approaches in laser-based material processing [59.04160452043105]
  本研究の目的は,レーザー加工が材料構造に及ぼす影響を自動予測することである。 その焦点は、統計的および機械学習の代表的なアルゴリズムのパフォーマンスに焦点を当てている。 結果は、材料設計、テスト、生産コストを削減するための体系的な方法論の基礎を設定することができる。
  論文  参考訳（メタデータ） (2020-06-13T17:28:52Z)

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。