Fugu-MT 論文翻訳(概要): Artificial-Intelligence-Based Design for Circuit Parameters of Power Converters

論文の概要: Artificial-Intelligence-Based Design for Circuit Parameters of Power Converters

arxiv url: http://arxiv.org/abs/2308.05751v1
Date: Sun, 30 Jul 2023 08:39:41 GMT
ステータス: 処理完了
システム内更新日: 2023-08-20 16:47:31.122824
Title: Artificial-Intelligence-Based Design for Circuit Parameters of Power Converters
Title（参考訳）: 電力変換器の回路パラメータに対する人工知能設計
Authors: X. Li, X. Zhang, F. Lin, F. Blaabjerg
Abstract要約: 本稿では,電力変換器のパラメータ設計のための人工知能設計(AI-D)手法を提案する。高精度で実装が容易な人間依存を軽減するため、シミュレーションツールとバッチ正規化ニューラルネットワーク(BN-NN)が採用されている。提案手法は, 電気自動車の48V・12Vアクセサリー負荷電源システムにおいて, 同期バックコンバータの回路パラメータ設計において検証される。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Parameter design is significant in ensuring a satisfactory holistic performance of power converters. Generally, circuit parameter design for power converters consists of two processes: analysis and deduction process and optimization process. The existing approaches for parameter design consist of two types: traditional approach and computer-aided optimization (CAO) approach. In the traditional approaches, heavy human-dependence is required. Even though the emerging CAO approaches automate the optimization process, they still require manual analysis and deduction process. To mitigate human-dependence for the sake of high accuracy and easy implementation, an artificial-intelligence-based design (AI-D) approach is proposed in this article for the parameter design of power converters. In the proposed AI-D approach, to achieve automation in the analysis and deduction process, simulation tools and batch-normalization neural network (BN-NN) are adopted to build data-driven models for the optimization objectives and design constraints. Besides, to achieve automation in the optimization process, genetic algorithm is used to search for optimal design results. The proposed AI-D approach is validated in the circuit parameter design of the synchronous buck converter in the 48 to 12 V accessory-load power supply system in electric vehicle. The design case of an efficiency-optimal synchronous buck converter with constraints in volume, voltage ripple, and current ripple is provided. In the end of this article, feasibility and accuracy of the proposed AI-D approach have been validated by hardware experiments.
Abstract（参考訳）: パラメータ設計は電力変換器の完全性を保証する上で重要である。一般に、電力変換器の回路パラメータ設計は、解析と推論と最適化の2つのプロセスからなる。パラメータ設計の既存のアプローチは従来のアプローチとcao(computer-aided optimization)アプローチの2つのタイプから成り立っている。伝統的なアプローチでは、重い人間依存が必要である。新たなCAOアプローチは最適化プロセスを自動化するが、手作業による分析と推論プロセスが必要である。本稿では,高精度で実装が容易な人的依存を軽減するため,電力変換器のパラメータ設計のための人工知能設計(AI-D)手法を提案する。提案したAI-Dアプローチでは,解析と推論プロセスにおける自動化を実現するために,最適化目標と設計制約のためのデータ駆動モデルを構築するために,シミュレーションツールとバッチ正規化ニューラルネットワーク(BN-NN)を採用している。さらに,最適化プロセスにおける自動化を実現するため,遺伝的アルゴリズムを用いて最適設計結果の探索を行う。提案手法は, 電気自動車の48V・12Vアクセサリー負荷電源システムにおいて, 同期バックコンバータの回路パラメータ設計において検証される。容積、電圧リップル、電流リップルに制約のある効率最適同期バックコンバータの設計ケースを提供する。本稿の最後に、ハードウェア実験により提案したAI-Dアプローチの有効性と精度が検証された。

関連論文リスト

Logic Synthesis Optimization with Predictive Self-Supervision via Causal Transformers [19.13500546022262]
LSOformerは、自動回帰トランスフォーマーモデルと予測SSLを利用して、結果の質の軌道(QoR)を予測する新しいアプローチである。 LSOformerは、クロスアテンションモジュールを統合して、回路グラフと最適化シーケンスからの洞察をマージし、QoRメトリクスの予測精度を向上させる。
論文参考訳（メタデータ） (2024-09-16T18:45:07Z)
Automated Design and Optimization of Distributed Filtering Circuits via Reinforcement Learning [20.500468654567033]
そこで本研究では,DFC設計のための新しいエンドツーエンド自動手法を提案する。提案手法は強化学習(RL)アルゴリズムを利用して,技術者の設計経験への依存を解消する。本手法は, 複雑もしくは急速に発展するDFCの設計において, 優れた性能を実現する。
論文参考訳（メタデータ） (2024-02-22T02:36:14Z)
End-to-End Learning for Fair Multiobjective Optimization Under Uncertainty [55.04219793298687]
機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
論文参考訳（メタデータ） (2024-02-12T16:33:35Z)
Circuit-centric Genetic Algorithm (CGA) for Analog and Radio-Frequency Circuit Optimization [3.0996501197166975]
本稿では,アナログ/高周波回路におけるパラメータの自動最適化手法を提案する。設計対象は、消費電力とノイズフィギュアの低減と変換ゲインの増加を含む。回路中心型遺伝的アルゴリズム(CGA)の概念は実現可能なアプローチとして提案されている。
論文参考訳（メタデータ） (2023-11-19T02:33:22Z)
End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
論文参考訳（メタデータ） (2023-05-25T10:58:46Z)
Full Stack Optimization of Transformer Inference: a Survey [58.55475772110702]
トランスフォーマーモデルは広範囲のアプリケーションにまたがって優れた精度を実現する。最近のTransformerモデルの推測に必要な計算量と帯域幅は、かなり増加しています。 Transformerモデルをより効率的にすることに注力している。
論文参考訳（メタデータ） (2023-02-27T18:18:13Z)
Domain Knowledge-Infused Deep Learning for Automated Analog/Radio-Frequency Circuit Parameter Optimization [6.599793419469274]
本稿では,アナログ回路パラメータの最適化を自動化する強化学習手法を提案する。これはアナログ回路設計のドメイン知識に依存する人間の専門家にインスパイアされている。模範回路の実験結果から, 既存の最適性能手法の人間レベルの設計精度 (99%) 1.5倍の効率を達成できた。
論文参考訳（メタデータ） (2022-04-27T13:58:51Z)
Robust Topology Optimization Using Multi-Fidelity Variational Autoencoders [1.0124625066746595]
強靭なトポロジー最適化(RTO)問題は、最高の平均性能を持つ設計を特定する。計算効率を向上するニューラルネットワーク手法を提案する。本手法の数値解析は,Lブラケット構造のロバスト設計における単一点負荷と複数点負荷について述べる。
論文参考訳（メタデータ） (2021-07-19T20:40:51Z)
Machine Learning Framework for Quantum Sampling of Highly-Constrained, Continuous Optimization Problems [101.18253437732933]
本研究では,連続空間の逆設計問題を,制約のないバイナリ最適化問題にマッピングする,汎用的な機械学習ベースのフレームワークを開発する。本研究では, 熱発光トポロジを熱光応用に最適化し, (ii) 高効率ビームステアリングのための拡散メタグレーティングを行うことにより, 2つの逆設計問題に対するフレームワークの性能を示す。
論文参考訳（メタデータ） (2021-05-06T02:22:23Z)
An AI-Assisted Design Method for Topology Optimization Without Pre-Optimized Training Data [68.8204255655161]
トポロジ最適化に基づくAI支援設計手法を提示し、最適化された設計を直接的に得ることができる。設計は、境界条件と入力データとしての充填度に基づいて、人工ニューラルネットワーク、予測器によって提供される。
論文参考訳（メタデータ） (2020-12-11T14:33:27Z)
Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
論文参考訳（メタデータ） (2020-10-01T18:14:11Z)

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。