論文の概要: In situ Fault Diagnosis of Indium Tin Oxide Electrodes by Processing
S-Parameter Patterns
- arxiv url: http://arxiv.org/abs/2308.11639v1
- Date: Wed, 16 Aug 2023 08:33:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-27 04:47:50.482498
- Title: In situ Fault Diagnosis of Indium Tin Oxide Electrodes by Processing
S-Parameter Patterns
- Title(参考訳): Sパラメータパターン処理による酸化インジウム電極のその場欠陥診断
- Authors: Tae Yeob Kang, Haebom Lee, Sungho Suh
- Abstract要約: 酸化インジウム(ITO)電極は、ディスプレイ、センサー、太陽電池などの光エレクトロニクスにおいて重要な役割を担っている。
従来の視覚検査は透明ITO電極では困難である。
次に、多層パーセプトロン(MLP)、畳み込みニューラルネットワーク(CNN)、トランスフォーマーなどのディープラーニングアプローチを使用して、欠陥の原因と重症度を同時に解析する。
- 参考スコア(独自算出の注目度): 2.1178416840822027
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the field of optoelectronics, indium tin oxide (ITO) electrodes play a
crucial role in various applications, such as displays, sensors, and solar
cells. Effective fault detection and diagnosis of the ITO electrodes are
essential to ensure the performance and reliability of the devices. However,
traditional visual inspection is challenging with transparent ITO electrodes,
and existing fault detection methods have limitations in determining the root
causes of the defects, often requiring destructive evaluations. In this study,
an in situ fault diagnosis method is proposed using scattering parameter
(S-parameter) signal processing, offering early detection, high diagnostic
accuracy, noise robustness, and root cause analysis. A comprehensive
S-parameter pattern database is obtained according to defect states. Deep
learning (DL) approaches, including multilayer perceptron (MLP), convolutional
neural network (CNN), and transformer, are then used to simultaneously analyze
the cause and severity of defects. Notably, it is demonstrated that the
diagnostic performance under additive noise levels can be significantly
enhanced by combining different channels of the S-parameters as input to the
learning algorithms, as confirmed through the t-distributed stochastic neighbor
embedding (t-SNE) dimension reduction visualization.
- Abstract(参考訳): 光エレクトロニクスの分野では、インジウム酸化スズ(ITO)電極はディスプレイ、センサー、太陽電池などの様々な用途において重要な役割を果たしている。
ITO電極の効果的な故障検出と診断は、デバイスの性能と信頼性を確保するために不可欠である。
しかし、従来の視覚検査は透明なito電極では困難であり、既存の故障検出法では欠陥の根本原因の決定に限界があり、しばしば破壊的評価を必要とする。
本研究では, 散乱パラメータ(Sパラメータ)信号処理を用いて, 早期検出, 高診断精度, ノイズの頑健性, 根本原因分析が可能なその場断層診断法を提案する。
欠陥状態に応じて総合的なSパラメータパターンデータベースを得る。
次に、多層パーセプトロン(MLP)、畳み込みニューラルネットワーク(CNN)、トランスフォーマーなどのディープラーニング(DL)アプローチを使用して、欠陥の原因と重症度を同時に分析する。
特に, t-distributed stochastic neighbor embeddedding (t-SNE) dimension reduction visualization を用いて, Sパラメータの異なるチャネルを学習アルゴリズムの入力として組み合わせることで, 付加雑音レベルの診断性能を著しく向上させることができることを示した。
関連論文リスト
- A Sparse Bayesian Learning for Diagnosis of Nonstationary and Spatially
Correlated Faults with Application to Multistation Assembly Systems [3.4991031406102238]
本稿では,空間的に相関したスパースベイズ学習(CSSBL)をクラスタリングする新しい故障診断手法を提案する。
提案手法の有効性は,実際の自己体組立システムを用いた数値および実世界のケーススタディによって検証される。
提案手法の一般化により,コミュニケーションや医療システムなど他の領域の故障診断に応用できる。
論文 参考訳(メタデータ) (2023-10-20T23:56:53Z) - Robust and Efficient Fault Diagnosis of mm-Wave Active Phased Arrays
using Baseband Signal [10.64967731507698]
5Gおよび6G無線における1つの重要な通信ブロックは、アクティブフェイズドアレイ(APA)である。
本稿では, ベースバンド内位相に隠された特徴を抽出するためのDeep Neural Network (DNN) を利用した新しい手法を提案する。
APAの欠陥要素やコンポーネントの迅速かつ正確な診断には、1つの測定ポイントに1つのプローブしか必要としない。
論文 参考訳(メタデータ) (2023-06-07T11:46:14Z) - Multi-resolution Spatiotemporal Enhanced Transformer Denoising with
Functional Diffusive GANs for Constructing Brain Effective Connectivity in
MCI analysis [46.04319515616324]
効果的な接続性は、脳領域間の因果パターンを記述することができる。
これらのパターンは、病態のメカニズムを明らかにし、早期診断と認知疾患に対する効果的な薬物開発を促進する可能性がある。
本稿では,機能的磁気共鳴画像(fMRI)を軽度認知障害(MCI)解析に有効な接続性に変換するために,新しいマルチレゾリューションStemporal Enhanced Transformer Denoising Networkを提案する。
論文 参考訳(メタデータ) (2023-05-18T06:54:56Z) - Learning Graph Patterns of Reflection Coefficient for Non-destructive
Diagnosis of Cu Interconnects [1.4502611532302039]
本稿では,Cu配線欠陥の非破壊検出と診断のための新しい手法を提案する。
本手法は,係数のグラフパターンを活用することにより,相互接続欠陥の根本原因と重大性の両方を一意に解析する。
我々は,グラフパターンが故障診断能力を有し,学習アルゴリズムの効果的な入力データとして機能することが実験的に実証された。
論文 参考訳(メタデータ) (2023-04-20T10:51:21Z) - The role of noise in denoising models for anomaly detection in medical
images [62.0532151156057]
病理脳病変は脳画像に多彩な外観を示す。
正規データのみを用いた教師なし異常検出手法が提案されている。
空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
論文 参考訳(メタデータ) (2023-01-19T21:39:38Z) - Deep Scattering Spectrum germaneness to Fault Detection and Diagnosis
for Component-level Prognostics and Health Management (PHM) [0.0]
本研究は,産業用ロボットの機械的構成要素に対するDES(Deep Scattering Spectrum)の故障検出とデイグナシスとの関連性について考察する。
複数の産業用ロボットと異なる機械的欠陥を使って、障害を分類するアプローチを構築しました。
提案手法は, 実用試験台に実装され, 故障検出および診断において良好な性能を示した。
論文 参考訳(メタデータ) (2022-10-18T13:25:02Z) - Fuzzy Attention Neural Network to Tackle Discontinuity in Airway
Segmentation [67.19443246236048]
気道セグメンテーションは肺疾患の検査、診断、予後に重要である。
いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。
本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
論文 参考訳(メタデータ) (2022-09-05T16:38:13Z) - Identification of different types of high-frequency defects in
superconducting qubits [0.0]
寄生性2レベル系(TLS)欠陥は超伝導量子ビットのコヒーレンス時間を制限する主要な要因の1つである。
本稿では、強い量子ビット駆動を用いたTLS欠陥分光の実験手法を提案する。
論文 参考訳(メタデータ) (2021-12-10T08:55:00Z) - On-board Fault Diagnosis of a Laboratory Mini SR-30 Gas Turbine Engine [54.650189434544146]
データ駆動型故障診断・隔離方式は, 燃料供給システムにおける故障とセンサ測定のために, 明確に開発されている。
モデルは機械学習の分類器を使用してトレーニングされ、トレーニングされた障害シナリオのセットをリアルタイムで検出する。
提案手法の利点, 性能, 性能を実証し, 実証するために, いくつかのシミュレーション実験を行った。
論文 参考訳(メタデータ) (2021-10-17T13:42:37Z) - NADS: Neural Architecture Distribution Search for Uncertainty Awareness [79.18710225716791]
機械学習(ML)システムは、トレーニングデータとは異なるディストリビューションから来るテストデータを扱う場合、しばしばOoD(Out-of-Distribution)エラーに遭遇する。
既存のOoD検出アプローチはエラーを起こしやすく、時にはOoDサンプルに高い確率を割り当てることもある。
本稿では,すべての不確実性を考慮したアーキテクチャの共通構築ブロックを特定するために,ニューラルアーキテクチャ分布探索(NADS)を提案する。
論文 参考訳(メタデータ) (2020-06-11T17:39:07Z) - SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier
Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。
そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文 参考訳(メタデータ) (2020-03-11T00:22:50Z)
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。