論文の概要: Capacitive Touch Sensor Modeling With a Physics-informed Neural Network and Maxwell's Equations

• arxiv url: http://arxiv.org/abs/2412.08650v1
• Date: Sat, 23 Nov 2024 11:22:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-15 08:28:30.823009
• Title: Capacitive Touch Sensor Modeling With a Physics-informed Neural Network and Maxwell's Equations
• Title（参考訳）: 物理インフォームドニューラルネットワークを用いた容量型タッチセンサモデリングとマクスウェル方程式
• Authors: Ganyong Mo, Krishna Kumar Narayanan, David Castells-Rufas, Jordi Carrabina,
• Abstract要約: 本稿では,Physical-Informed Neural Network (PINN) を用いたサロゲートモデルを用いて設計過程を高速化する手法を提案する。 PINNモデルは、指と容量センサの相互作用を記述する静電気方程式を解く。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Maxwell's equations are the fundamental equations for understanding electric and magnetic field interactions and play a crucial role in designing and optimizing sensor systems like capacitive touch sensors, which are widely prevalent in automotive switches and smartphones. Ensuring robust functionality and stability of the sensors in dynamic environments necessitates profound domain expertise and computationally intensive multi-physics simulations. This paper introduces a novel approach using a Physics-Informed Neural Network (PINN) based surrogate model to accelerate the design process. The PINN model solves the governing electrostatic equations describing the interaction between a finger and a capacitive sensor. Inputs include spatial coordinates from a 3D domain encompassing the finger, sensor, and PCB, along with finger distances. By incorporating the electrostatic equations directly into the neural network's loss function, the model captures the underlying physics. The learned model thus serves as a surrogate sensor model on which inference can be carried out in seconds for different experimental setups without the need to run simulations. Efficacy results evaluated on unseen test cases demonstrate the significant potential of PINNs in accelerating the development and design optimization of capacitive touch sensors.
• Abstract（参考訳）: マクスウェルの方程式は、電気と磁場の相互作用を理解するための基本的な方程式であり、自動車のスイッチやスマートフォンで広く使われている容量型タッチセンサーのようなセンサーシステムを設計し最適化する上で重要な役割を果たしている。 動的環境におけるセンサーの堅牢な機能と安定性を確保するには、深い領域の専門知識と計算集約的な多物理シミュレーションが必要である。 本稿では,Physical-Informed Neural Network (PINN) を用いたサロゲートモデルを用いて設計過程を高速化する手法を提案する。 PINNモデルは、指と容量センサの相互作用を記述する静電気方程式を解く。 入力には、指、センサー、PCBを含む3Dドメインからの空間座標と、指の距離が含まれる。 ニューラルネットワークの損失関数に直接静電方程式を組み込むことで、モデルは基礎となる物理学を捉える。 したがって、学習モデルは、シミュレーションを実行することなく、異なる実験装置に対して数秒で推論を行うことができる代理センサーモデルとして機能する。 その結果, 静電容量型タッチセンサの開発・設計におけるPINNの有用性が示唆された。

関連論文リスト

• Physics-informed neural networks need a physicist to be accurate: the case of mass and heat transport in Fischer-Tropsch catalyst particles [0.3926357402982764]
  物理インフォームドニューラルネットワーク(PINN)は、機械学習の迅速かつ自動化された能力と、理論物理学に根ざしたシミュレーションの精度と信頼性を融合して、影響力のある技術として登場した。 しかし、PINNの広範な採用は信頼性の問題、特に入力パラメータ範囲の極端ではまだ妨げられている。 ドメイン知識に基づくPINNアーキテクチャの変更を提案する。
  論文  参考訳（メタデータ） (2024-11-15T08:55:31Z)
• Physics-Enhanced Graph Neural Networks For Soft Sensing in Industrial Internet of Things [6.374763930914524]
  産業用IoT(Industrial Internet of Things)は、製造業、産業プロセス、インフラ管理を変革している。 高度に信頼性の高いIIoTを実現するには、大量のセンサーをインストールするコスト、既存のシステムにセンサーを組み直す際の制限、センサーの設置を非現実的にする厳しい環境条件などの要因が伴う。 物理の原理をグラフベースの方法論に統合する物理強化グラフニューラルネットワーク(GNN)を提案する。
  論文  参考訳（メタデータ） (2024-04-11T18:03:59Z)
• Progress in artificial intelligence applications based on the combination of self-driven sensors and deep learning [6.117706409613191]
  Wang Zhong linと彼のチームは、マックスウェル変位電流を駆動力として、機械的刺激を直接電気信号に変換する三誘電体ナノジェネレータ(TENG)を発明した。 本稿では,優れた音声認識能力を有するTENGのインテリジェントな音響監視・認識システムについて述べる。
  論文  参考訳（メタデータ） (2024-01-30T08:53:54Z)
• Inferring Relational Potentials in Interacting Systems [56.498417950856904]
  このような相互作用を発見する代替手法として、ニューラル・インタラクション・推論(NIIP)を提案する。 NIIPは観測された関係制約を尊重する軌道のサブセットに低エネルギーを割り当てる。 別々に訓練されたモデル間での相互作用の型を交換するなどの軌道操作や、軌道予測を可能にする。
  論文  参考訳（メタデータ） (2023-10-23T00:44:17Z)
• Neural Operators for Accelerating Scientific Simulations and Design [85.89660065887956]
  Neural Operatorsとして知られるAIフレームワークは、継続的ドメインで定義された関数間のマッピングを学習するための原則的なフレームワークを提供する。 ニューラルオペレータは、計算流体力学、天気予報、物質モデリングなど、多くのアプリケーションで既存のシミュレータを拡張または置き換えることができる。
  論文  参考訳（メタデータ） (2023-09-27T00:12:07Z)
• PDE Discovery for Soft Sensors Using Coupled Physics-Informed Neural Network with Akaike's Information Criterion [0.9346127431927981]
  偏微分方程式 (Partial differential equation, PDE) は、モデル依存型産業プロセスにおけるソフトセンサーの候補である。 微分作用素やソース項を含む適切なPDEを見つけることはギャップを補うことができる。 CPINN-AICは、ソフトセンサーのための適切なPDE構造とニューラルネットワークベースのソリューションを発見するデータ駆動方式である。
  論文  参考訳（メタデータ） (2023-08-11T13:39:21Z)
• NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with Spatial-temporal Decomposition [67.46012350241969]
  本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。 元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。 本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
  論文  参考訳（メタデータ） (2023-02-20T19:36:52Z)
• Auto-PINN: Understanding and Optimizing Physics-Informed Neural Architecture [77.59766598165551]
  物理インフォームドニューラルネットワーク(PINN)は、ディープラーニングのパワーを科学計算にもたらし、科学と工学の実践に革命をもたらしている。 本稿では,ニューラル・アーキテクチャ・サーチ(NAS)手法をPINN設計に適用したAuto-PINNを提案する。 標準PDEベンチマークを用いた包括的事前実験により、PINNの構造と性能の関係を探索することができる。
  論文  参考訳（メタデータ） (2022-05-27T03:24:31Z)
• WaveY-Net: Physics-augmented deep learning for high-speed electromagnetic simulation and optimization [0.0]
  我々は,超高速で電磁場分布を予測できるハイブリッドデータおよび物理拡張畳み込みニューラルネットワークであるWaveY-Netを紹介する。 高速シミュレータは,局所的および大域的なメタゲーションのフリーフォーム最適化において,直接的かつ効果的に利用できることを示す。
  論文  参考訳（メタデータ） (2022-03-02T17:11:33Z)
• Elastic Tactile Simulation Towards Tactile-Visual Perception [58.44106915440858]
  触覚シミュレーションのための粒子の弾性相互作用(EIP)を提案する。 EIPは、触覚センサを協調粒子群としてモデル化し、接触時の粒子の変形を制御するために弾性特性を適用した。 さらに,触覚データと視覚画像間の情報融合を可能にする触覚知覚ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-08-11T03:49:59Z)
• Flexible Transmitter Network [84.90891046882213]
  現在のニューラルネットワークはMPモデルに基づいて構築されており、通常はニューロンを他のニューロンから受信した信号の実際の重み付け集約上での活性化関数の実行として定式化する。 本稿では,フレキシブル・トランスミッタ(FT)モデルを提案する。 本稿では、最も一般的な完全接続型フィードフォワードアーキテクチャ上に構築された、フレキシブルトランスミッタネットワーク(FTNet)について述べる。
  論文  参考訳（メタデータ） (2020-04-08T06:55:12Z)

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。