論文の概要: Automating Sensor Characterization with Bayesian Optimization

• arxiv url: http://arxiv.org/abs/2509.21661v1
• Date: Thu, 25 Sep 2025 22:31:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 20:57:54.05767
• Title: Automating Sensor Characterization with Bayesian Optimization
• Title（参考訳）: ベイズ最適化によるセンサ自動評価
• Authors: J. Cuevas-Zepeda, C. Chavez, J. Estrada, J. Noonan, B. D. Nord, N. Saffold, M. Sofo-Haro, R. Spinola e Castro, S. Trivedi,
• Abstract要約: 本稿では,開発サイクルの試験段階を高速化することを目的とした自動センサキャリブレーション手法を提案する。 本手法を低雑音CCDを用いて実証し,センサの動作を2日以内で効率よく評価・最適化できることを示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The development of novel instrumentation requires an iterative cycle with three stages: design, prototyping, and testing. Recent advancements in simulation and nanofabrication techniques have significantly accelerated the design and prototyping phases. Nonetheless, detector characterization continues to be a major bottleneck in device development. During the testing phase, a significant time investment is required to characterize the device in different operating conditions and find optimal operating parameters. The total effort spent on characterization and parameter optimization can occupy a year or more of an expert's time. In this work, we present a novel technique for automated sensor calibration that aims to accelerate the testing stage of the development cycle. This technique leverages closed-loop Bayesian optimization (BO), using real-time measurements to guide parameter selection and identify optimal operating states. We demonstrate the method with a novel low-noise CCD, showing that the machine learning-driven tool can efficiently characterize and optimize operation of the sensor in a couple of days without supervision of a device expert.
• Abstract（参考訳）: 新たなインスツルメンテーションの開発には、デザイン、プロトタイピング、テストの3段階からなる反復サイクルが必要である。 近年のシミュレーションとナノファブリケーション技術は設計とプロトタイピングの段階を著しく加速している。 それでも、検出器のキャラクタリゼーションはデバイス開発における大きなボトルネックであり続けている。 テストフェーズでは、異なる操作条件でデバイスを特徴づけ、最適な操作パラメータを見つけるために、かなりの時間的投資が必要となる。 キャラクタリゼーションとパラメータ最適化に費やした全労力は、専門家の時間の1年以上を占めることができます。 本研究では,開発サイクルの試験段階を高速化することを目的とした,センサ自動校正手法を提案する。 この手法は閉ループベイズ最適化(BO)を利用してパラメータ選択を誘導し、最適動作状態を特定する。 本手法を低雑音CCDを用いて実証し,センサの動作を2日以内で効率よく評価・最適化できることを示した。

関連論文リスト

• Machine-Learning-Assisted Photonic Device Development: A Multiscale Approach from Theory to Characterization [80.82828320306464]
  フォトニックデバイス開発(PDD)は、様々な波長、スケール、アプリケーションにまたがる光を制御する新しいデバイスの設計と実装において大きな成功を収めた。 PDDは、設計パラメータからデバイス動作を導出する、デバイス性能をシミュレーションする、最適なデバイスを製造する、デバイス性能を測定する、という5段階の反復的プロセスである。 PDDは、大規模な最適化の展望、構造的または光学的特徴の不確実性、堅牢な製造プロセスの実装の困難に悩まされている。 本稿では,機械学習支援型PDDの実現に向けて,これらの手法の総合的な展望を示す。
  論文  参考訳（メタデータ） (2025-06-24T23:32:54Z)
• Reinforcement Learning Approach to Optimizing Profilometric Sensor Trajectories for Surface Inspection [0.0]
  製造における高精度表面欠陥検出は品質管理の確保に不可欠である。 レーザー三角プロファイリングセンサーがこのプロセスの鍵となる。 本稿では,プロファイロメータセンサの検査軌道を最適化するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-09-05T11:20:12Z)
• INSIGHT: Universal Neural Simulator for Analog Circuits Harnessing Autoregressive Transformers [13.94505840368669]
  INSIGHTはアナログフロントエンド設計自動化ループにおける効果的なユニバーサルニューラルネットワークシミュレータである。 アナログ回路の性能指標を数マイクロ秒の推論時間で正確に予測する。
  論文  参考訳（メタデータ） (2024-07-10T03:52:53Z)
• Sparse Attention-driven Quality Prediction for Production Process Optimization in Digital Twins [53.70191138561039]
  データ駆動方式で運用ロジックを符号化することで,生産ラインのディジタルツインをデプロイすることを提案する。 我々は,自己注意型時間畳み込みニューラルネットワークに基づく生産プロセスの品質予測モデルを採用する。 本手法は,本手法により,仮想及び実生産ライン間のシームレスな統合を促進できることを示す。
  論文  参考訳（メタデータ） (2024-05-20T09:28:23Z)
• Machine Learning-Assisted Discovery of Flow Reactor Designs [0.0]
  本稿では,次世代の化学反応器の設計のための機械学習支援手法を提案する。 我々は高次元パラメータ化、計算流体力学、多次元ベイズ最適化を適用する。 従来の設計よりも60%のプラグフロー性能向上をもたらす新しい設計特徴の選定を合理化する。
  論文  参考訳（メタデータ） (2023-08-17T08:00:20Z)
• Predicting Surface Texture in Steel Manufacturing at Speed [81.90215579427463]
  亜鉛めっきおよび熱間圧延過程における鋼板の表面テクスチャの制御は,顧客要求を満たすために不可欠である。 本稿では,インラインレーザ反射計測から表面特性予測への変換精度向上のための機械学習の利用を提案する。
  論文  参考訳（メタデータ） (2023-01-20T12:11:03Z)
• An automatic differentiation system for the age of differential privacy [65.35244647521989]
  Tritiumは、微分プライベート(DP)機械学習(ML)のための自動微分ベース感度分析フレームワークである 我々は、微分プライベート(DP)機械学習(ML)のための自動微分に基づく感度分析フレームワークTritiumを紹介する。
  論文  参考訳（メタデータ） (2021-09-22T08:07:42Z)
• 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)
• Using Machine Learning to Speed Up and Improve Calorimeter R&D [0.7106986689736827]
  物理性能の評価を遅くする2つの典型的な問題は、特にカロリー検出器技術や構成に対するアプローチである。 本稿では,検出器開発および最適化サイクルの精度向上と高速化を目的とした,高度な機械学習技術の利用について論じる。
  論文  参考訳（メタデータ） (2020-03-27T14:44:46Z)

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。