論文の概要: Spectral entropy prior-guided deep feature fusion architecture for magnetic core loss

• arxiv url: http://arxiv.org/abs/2512.11334v1
• Date: Fri, 12 Dec 2025 07:13:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-15 15:48:11.687641
• Title: Spectral entropy prior-guided deep feature fusion architecture for magnetic core loss
• Title（参考訳）: 磁気コア損失に対するスペクトルエントロピー事前誘導深部核融合構造
• Authors: Cong Yao, Chunye Gong, Jin Zhang,
• Abstract要約: 従来のコア損失モデリング手法は予測精度に限界がある。 IEEE Power Electronics Societyは2023年にMagNet Challengeを立ち上げた。 本稿では,実験モデルとディープラーニングを統合するハイブリッドモデルSEPI-priorNetを提案する。
• 参考スコア（独自算出の注目度）: 24.233719834318787
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate core loss modeling is critical for the design of high-efficiency power electronic systems. Traditional core loss modeling methods have limitations in prediction accuracy. To advance this field, the IEEE Power Electronics Society launched the MagNet Challenge in 2023, the first international competition focused on data-driven power electronics design methods, aiming to uncover complex loss patterns in magnetic components through a data-driven paradigm. Although purely data-driven models demonstrate strong fitting performance, their interpretability and cross-distribution generalization capabilities remain limited. To address these issues, this paper proposes a hybrid model, SEPI-TFPNet, which integrates empirical models with deep learning. The physical-prior submodule employs a spectral entropy discrimination mechanism to select the most suitable empirical model under different excitation waveforms. The data-driven submodule incorporates convolutional neural networks, multi-head attention mechanisms, and bidirectional long short-term memory networks to extract flux-density time-series features. An adaptive feature fusion module is introduced to improve multimodal feature interaction and integration. Using the MagNet dataset containing various magnetic materials, this paper evaluates the proposed method and compares it with 21 representative models from the 2023 challenge and three advanced methods from 2024-2025. The results show that the proposed method achieves improved modeling accuracy and robustness.
• Abstract（参考訳）: 高効率電子システムの設計には、正確なコア損失モデリングが不可欠である。 従来のコア損失モデリング手法は予測精度に限界がある。 この分野を進めるため、IEEE Power Electronics Societyは2023年にMagNet Challengeを立ち上げた。これは、データ駆動型パワーエレクトロニクス設計手法に焦点を当てた最初の国際コンペティションであり、データ駆動型パラダイムを通じて、磁気部品の複雑な損失パターンを明らかにすることを目的としていた。 純粋にデータ駆動モデルは強い適合性を示すが、その解釈可能性と分散一般化能力は限定的である。 これらの課題に対処するために,実証モデルとディープラーニングを統合するハイブリッドモデルSEPI-TFPNetを提案する。 物理主部分加群はスペクトルエントロピー判別機構を用いて、異なる励起波形の下で最も適切な経験的モデルを選択する。 データ駆動サブモジュールは、畳み込みニューラルネットワーク、マルチヘッドアテンション機構、双方向の長期記憶ネットワークを組み込んで、フラックス密度の時系列特徴を抽出する。 適応的な機能融合モジュールを導入し、マルチモーダルな機能相互作用と統合を改善した。 様々な磁性材料を含むMagNetデータセットを用いて,提案手法の評価を行い,2023年度の21種類の代表モデルと2024～2025年度の3種類の先進的手法との比較を行った。 提案手法はモデリング精度とロバスト性の向上を実現する。

関連論文リスト

• AQCat25: Unlocking spin-aware, high-fidelity machine learning potentials for heterogeneous catalysis [0.0]
  AQCat25は13.5万密度汎関数理論(DFT)単点計算を補完するデータセットである。 我々は、AQCat25のような新しいデータセットとより広範なOpen Catalyst 2020 (OC20)データセットを統合する方法を検討する。 例えば、FiLM(Feature-wise Linear Modulation)を用いることで、この課題に対処できることを示す。
  論文  参考訳（メタデータ） (2025-10-27T02:47:20Z)
• A Neural Network Architecture Based on Attention Gate Mechanism for 3D Magnetotelluric Forward Modeling [1.5862483908050367]
  本稿では,3次元MTフォワードモデリングのためのアテンションゲーティング機構を統合したMTAGU-Netという新しいニューラルネットワークアーキテクチャを提案する。 デュアルパスアテンションゲーティングモジュールは、前方応答データ画像に基づいて設計され、エンコーダとデコーダの間のスキップ接続に埋め込まれる。 3次元ガウスランダム場(GRF)を利用した合成モデル生成法は,実世界の地質学的シナリオの電気的構造を正確に再現する。
  論文  参考訳（メタデータ） (2025-03-14T13:48:25Z)
• Electronic Circuit Principles of Large Language Models [63.40394312901168]
  ECPは、推論時間学習を意味的な電気的力と推論時間推論にマッピングし、オームの法則とファラデーの法則によって支配される抵抗性ネットワークにマッピングする。 350の推論タスクと9つの高度なLCMにまたがる70,000のサンプルでECPを検証する。 ECPは、確立された15の戦略の有効性を説明し、国際情報学オリンピックと国際数理オリンピックの両方の参加者の上位80%を超える、新しいモジュラー介入の開発を指示する。
  論文  参考訳（メタデータ） (2025-02-05T16:22:33Z)
• Diffusion Models as Network Optimizers: Explorations and Analysis [71.69869025878856]
  生成拡散モデル(GDM)は,ネットワーク最適化の新しいアプローチとして期待されている。 本研究ではまず,生成モデルの本質的な特徴について考察する。 本稿では,識別的ネットワーク最適化よりも生成モデルの利点を簡潔かつ直感的に示す。
  論文  参考訳（メタデータ） (2024-11-01T09:05:47Z)
• Efficient Frequency Selective Surface Analysis via End-to-End Model-Based Learning [2.66269503676104]
  本稿では、高次元周波数選択面(FSS)の効率的な電磁解析のための革新的なエンドツーエンドモデルに基づくディープラーニング手法を提案する。 大規模なデータセットを必要とする従来のデータ駆動手法とは異なり、このアプローチは等価回路モデルからの物理的な洞察とディープラーニング技術を組み合わせて、モデルの複雑さを著しく低減し、予測精度を高める。
  論文  参考訳（メタデータ） (2024-10-22T07:27:20Z)
• Generative Learning of Continuous Data by Tensor Networks [45.49160369119449]
  本稿では,連続データのためのテンソルネットワーク生成モデルについて紹介する。 我々は、このモデルの性能を、いくつかの合成および実世界のデータセットでベンチマークする。 本手法は, 急速に成長する生成学習分野において, 量子インスピレーション法の有効性を示す重要な理論的, 実証的な証拠を与える。
  論文  参考訳（メタデータ） (2023-10-31T14:37:37Z)
• MINN: Learning the dynamics of differential-algebraic equations and application to battery modeling [2.1303885995425635]
  モデル統合ニューラルネットワーク(MINN)と呼ばれる新しい機械学習アーキテクチャを提案する。 MINNは偏微分代数方程式(PDAE)からなる一般自律系または非自律系の物理に基づくダイナミクスを学ぶ 提案したニューラルネットワークアーキテクチャを用いてリチウムイオン電池の電気化学的ダイナミクスをモデル化する。
  論文  参考訳（メタデータ） (2023-04-27T09:11:40Z)

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。