Fugu-MT 論文翻訳(概要): A Machine Learning Approach to Predicting Single Event Upsets

論文の概要: A Machine Learning Approach to Predicting Single Event Upsets

arxiv url: http://arxiv.org/abs/2310.05878v1
Date: Mon, 9 Oct 2023 17:19:49 GMT
ステータス: 処理完了
システム内更新日: 2023-10-10 22:09:25.954429
Title: A Machine Learning Approach to Predicting Single Event Upsets
Title（参考訳）: 単一イベントの動揺を予測する機械学習アプローチ
Authors: Archit Gupta, Chong Yock Eng, Deon Lim Meng Wee, Rashna Analia Ahmed, See Min Sim
Abstract要約: 単一事象乱れ(英: single event upset、SEU)は、宇宙環境からの電離粒子に曝露して半導体デバイスに発生する臨界ソフトエラーである。現在、SEUは発生からわずか数時間で検出されている。本稿では,機械学習を用いて事前にSEUを予測するモデルであるCREMERを提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: A single event upset (SEU) is a critical soft error that occurs in semiconductor devices on exposure to ionising particles from space environments. SEUs cause bit flips in the memory component of semiconductors. This creates a multitude of safety hazards as stored information becomes less reliable. Currently, SEUs are only detected several hours after their occurrence. CREMER, the model presented in this paper, predicts SEUs in advance using machine learning. CREMER uses only positional data to predict SEU occurrence, making it robust, inexpensive and scalable. Upon implementation, the improved reliability of memory devices will create a digitally safer environment onboard space vehicles.
Abstract（参考訳）: 単一事象動揺 (seu) は、宇宙環境からのイオン化粒子への曝露時に半導体デバイスで発生する臨界ソフトエラーである。 SEUは半導体のメモリ成分にビットフリップを引き起こす。これにより、保存された情報が信頼性が低下するにつれて、数多くの安全上の危険が生じる。現在、SEUは発生からわずか数時間で検出されている。本稿では,機械学習を用いて事前にSEUを予測するモデルであるCREMERを提案する。 CREMERはSEUの発生を予測するために位置データのみを使用するため、堅牢で安価でスケーラブルである。実装が完了すると、メモリデバイスの信頼性が向上し、宇宙車両上でよりデジタル的に安全な環境が生まれる。

関連論文リスト

Layout Sequence Prediction From Noisy Mobile Modality [53.49649231056857]
軌道予測は、自律運転やロボット工学などの応用における歩行者運動を理解する上で重要な役割を担っている。現在の軌道予測モデルは、視覚的モダリティからの長い、完全な、正確に観察されたシーケンスに依存する。本稿では,物体の障害物や視界外を,完全に視認できる軌跡を持つものと同等に扱う新しいアプローチであるLTrajDiffを提案する。
論文参考訳（メタデータ） (2023-10-09T20:32:49Z)
Machine Learning-based Positioning using Multivariate Time Series Classification for Factory Environments [0.0]
最先端のソリューションは外部インフラストラクチャに大きく依存しており、潜在的なプライバシー侵害にさらされている。機械学習(ML)の最近の進歩は、IoTデバイスのオンボードセンサーのデータのみに依存する、これらの制限に対処するソリューションを提供する。本稿では,移動体をプライバシ関連工場環境に局在させるため,モーションセンサと環境センサを用いた機械学習による屋内位置決めシステムを提案する。
論文参考訳（メタデータ） (2023-08-22T10:07:19Z)
Forecasting Particle Accelerator Interruptions Using Logistic LASSO Regression [62.997667081978825]
インターロックと呼ばれる予期せぬ粒子加速器の割り込みは、必要な安全対策にもかかわらず、突然の運用変更を引き起こす。このような中断を予測することを目的とした,単純かつ強力なバイナリ分類モデルを提案する。このモデルは、少なくとも絶対収縮と選択演算子によって罰せられるロジスティック回帰として定式化される。
論文参考訳（メタデータ） (2023-03-15T23:11:30Z)
Incremental Online Learning Algorithms Comparison for Gesture and Visual Smart Sensors [68.8204255655161]
本稿では,加速度センサデータに基づくジェスチャー認識と画像分類の2つの実例として,最先端の4つのアルゴリズムを比較した。以上の結果から,これらのシステムの信頼性と小型メモリMCUへのデプロイの可能性が確認された。
論文参考訳（メタデータ） (2022-09-01T17:05:20Z)
Evaluating Short-Term Forecasting of Multiple Time Series in IoT Environments [67.24598072875744]
IoT(Internet of Things)環境は、多数のIoT対応センシングデバイスを介して監視される。この問題を緩和するため、センサーは比較的低いサンプリング周波数で動作するように設定されることが多い。これは、予測などの後続の意思決定を劇的に妨げる可能性がある。
論文参考訳（メタデータ） (2022-06-15T19:46:59Z)
Is this IoT Device Likely to be Secure? Risk Score Prediction for IoT Devices Using Gradient Boosting Machines [11.177584118932572]
セキュリティリスク評価と予測は、IoT(Internet of Things)デバイスをデプロイする組織にとって重要なものだ。本稿では,IoTデバイスに関する情報に基づいて,新たなリスク予測を提案する。
論文参考訳（メタデータ） (2021-11-23T13:41:29Z)
Sample-Efficient Safety Assurances using Conformal Prediction [57.92013073974406]
早期警戒システムは、安全でない状況が差し迫ったときに警告を提供することができる。安全性を確実に向上させるためには、これらの警告システムは証明可能な偽陰性率を持つべきである。本稿では,共形予測と呼ばれる統計的推論手法とロボット・環境力学シミュレータを組み合わせたフレームワークを提案する。
論文参考訳（メタデータ） (2021-09-28T23:00:30Z)
An Efficient One-Class SVM for Anomaly Detection in the Internet of Things [25.78558553080511]
安全なモノのインターネット(IoT)デバイスは、重要なインフラストラクチャとインターネット全体に重大な脅威をもたらします。これらのデバイスから異常な行動を検出することは依然として重要ですワンクラスサポートベクターマシン(OCSVM)は、ノベルティ検出のための最先端のアプローチの1つです。
論文参考訳（メタデータ） (2021-04-22T15:59:56Z)
CIA-SSD: Confident IoU-Aware Single-Stage Object Detector From Point Cloud [40.871850077528485]
我々は、CIA-SSD(Confident IoU-Aware Single-Stage Object Detector)と呼ばれる新しい単段検出器を提案する。 CIA-SSDは、境界ボックスの正確な予測と分類信頼性のために、高レベルの抽象的特徴と低レベルの空間的特徴を適応的に融合する。公式ランキングでトップパフォーマンスを記録し、32 FPSの推論速度を上回ります。
論文参考訳（メタデータ） (2020-12-05T12:00:08Z)
Using LSTM for the Prediction of Disruption in ADITYA Tokamak [3.9022413625157792]
トカマクの大きな破壊は、船とその周辺機器に深刻な脅威をもたらす。 JETやASDEXのような大規模トカマクではすでに多くの機械学習技術が使われているが、ADITYAには適していない。本稿では,ADITYAトカマクの破壊時間を予測するための新しいリアルタイムアプローチについて論じ,実験データセット上で結果を検証する。
論文参考訳（メタデータ） (2020-07-13T08:06:43Z)
Predictive Maintenance for Edge-Based Sensor Networks: A Deep Reinforcement Learning Approach [68.40429597811071]
未計画の設備停止のリスクは、収益発生資産の予測保守によって最小化することができる。機器に基づくセンサネットワークのコンテキストから予測機器のメンテナンスを行うために,モデルフリーのDeep Reinforcement Learningアルゴリズムを提案する。従来のブラックボックス回帰モデルとは異なり、提案アルゴリズムは最適なメンテナンスポリシーを自己学習し、各機器に対して実行可能なレコメンデーションを提供する。
論文参考訳（メタデータ） (2020-07-07T10:00:32Z)

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。