論文の概要: Magnetic field estimation using Gaussian process regression for interactive wireless power system design

• arxiv url: http://arxiv.org/abs/2510.19277v1
• Date: Wed, 22 Oct 2025 06:26:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:15.151797
• Title: Magnetic field estimation using Gaussian process regression for interactive wireless power system design
• Title（参考訳）: ガウス過程回帰を用いたインタラクティブ無線電力系統設計のための磁場推定
• Authors: Yuichi Honjo, Cedric Caremel, Ken Takaki, Yuta Noma, Yoshihiro Kawahara, Takuya Sasatani,
• Abstract要約: 共振器を結合したワイヤレス電力伝送は、電子機器のシームレスな電力供給に有望なソリューションを提供する。 磁場と電力伝達効率を可視化するインタラクティブな設計手法は、これらのシステムの理解と探索を容易にする。 本稿では,Gaussian Process Regression (GPR) を用いた機械学習手法を提案する。
• 参考スコア（独自算出の注目度）: 6.102646086243458
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Wireless power transfer (WPT) with coupled resonators offers a promising solution for the seamless powering of electronic devices. Interactive design approaches that visualize the magnetic field and power transfer efficiency based on system geometry adjustments can facilitate the understanding and exploration of the behavior of these systems for dynamic applications. However, typical electromagnetic field simulation methods, such as the Method of Moments (MoM), require significant computational resources, limiting the rate at which computation can be performed for acceptable interactivity. Furthermore, the system's sensitivity to positional and geometrical changes necessitates a large number of simulations, and structures such as ferromagnetic shields further complicate these simulations. Here, we introduce a machine learning approach using Gaussian Process Regression (GPR), demonstrating for the first time the rapid estimation of the entire magnetic field and power transfer efficiency for near-field coupled systems. To achieve quick and accurate estimation, we develop 3D adaptive grid systems and an active learning strategy to effectively capture the nonlinear interactions between complex system geometries and magnetic fields. By training a regression model, our approach achieves magnetic field computation with sub-second latency and with an average error of less than 6% when validated against independent electromagnetic simulation results.
• Abstract（参考訳）: 共振器を結合した無線電力伝送(WPT)は、電子機器のシームレスな電力供給に有望なソリューションを提供する。 システム幾何調整に基づく磁場と電力伝達効率を可視化するインタラクティブな設計手法は、これらのシステムの動作の理解と探索を容易にし、動的応用を可能にする。 しかし、モーメント法(英語版) (MoM) のような一般的な電磁場シミュレーション法は、許容される相互作用性のために計算を行うことができる速度を制限するために、かなりの計算資源を必要とする。 さらに、位置や幾何学的な変化に対するシステムの感度は多くのシミュレーションを必要とし、強磁性シールドのような構造はこれらのシミュレーションをさらに複雑にする。 本稿では,Gaussian Process Regression (GPR) を用いた機械学習手法を提案する。 高速かつ正確な推定を実現するため,複雑系と磁場の非線形相互作用を効果的に捉える3次元適応格子システムと能動的学習戦略を開発した。 回帰モデルのトレーニングにより, 独立電磁シミュレーション結果に対する平均誤差が6%未満である場合, サブ秒レイテンシと平均誤差で磁場計算を実現する。

関連論文リスト

• Deep Learning Optimization of Two-State Pinching Antennas Systems [48.70043547158868]
  ピンチアンテナ(PA)は、二元活性化状態を通して電磁波の伝搬を動的に制御することができる。 本研究では,ユーザ端末での通信速度を最大化することを目的として,定位PAのサブセットを最適に選択して導波路で活性化する問題について検討する。
  論文  参考訳（メタデータ） (2025-07-08T17:55:54Z)
• DNN-Based Precoding in RIS-Aided mmWave MIMO Systems With Practical Phase Shift [43.56429251312585]
  本稿では、直接通信路を妨害したミリ波マルチインプット多重出力(MIMO)システムのスループットを最大化する。 リコンフィギュアブルインテリジェントサーフェス(RIS)は、視線(LoS)とマルチパス効果に関連するmmWave特性を考慮して伝送性を高めるために使用される。 ディープニューラルネットワーク(DNN)は、より高速なコードワード選択を容易にするために開発された。
  論文  参考訳（メタデータ） (2025-07-03T17:35:06Z)
• RadioDiff-$k^2$: Helmholtz Equation Informed Generative Diffusion Model for Multi-Path Aware Radio Map Construction [76.24833675757033]
  物理インフォームド・ジェネレーティブ・ラーニング・アプローチであるRadioDiff-$k2$を提案する。 提案するRadioDiff-$k2$フレームワークは,画像レベルのRM構成とローカライズタスクの両方において,最先端(SOTA)性能を実現する。
  論文  参考訳（メタデータ） (2025-04-22T06:28:13Z)
• Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
  本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。 具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
  論文  参考訳（メタデータ） (2025-03-24T03:19:45Z)
• NeuralMAG: Fast and Generalizable Micromagnetic Simulation with Deep Neural Nets [9.674100498903844]
  我々は,マイクロ磁気シミュレーションの深層学習手法であるNeuralMAGを紹介する。 我々のアプローチは、LLG反復フレームワークに従うが、U字型ニューラルネットワーク(Unet)の利用により磁場の非磁性化を加速する。 既存のニューラルネットワークとは異なり、NeuralMAGは特定のタスクに対するエンドツーエンドの近似ではなく、コア計算に集中しており、本質的に一般化可能である。
  論文  参考訳（メタデータ） (2024-10-19T05:25:08Z)
• Phase-Based Approaches for Rapid Construction of Magnetic Fields in NV Magnetometry [9.378134074181768]
  本稿では、光検出磁気共鳴(ODMR)信号から磁場を推定する。 ODMR信号の位相推定へのシフトを計算効率の良い手法として提案する。 その結果,提案手法は既存手法に比べて計算時間を著しく短縮することがわかった。
  論文  参考訳（メタデータ） (2024-08-17T08:58:27Z)
• Multi-Objective Optimization of Electrical Machines using a Hybrid Data-and Physics-Driven Approach [0.0]
  永久磁石同期機(PMSM)の数値最適化におけるハイブリッドデータおよび物理駆動モデルの適用について述べる。 データ駆動型教師ありトレーニングの後、ディープニューラルネットワーク(DNN)はPMSMの電磁的挙動を特徴付けるメタモデルとして機能する。 これらの中間測度は、必要な重要な性能指標を計算するために、様々な物理モデルで後処理される。
  論文  参考訳（メタデータ） (2023-06-15T12:47:56Z)
• 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)

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。