論文の概要: PowerGenie: Analytically-Guided Evolutionary Discovery of Superior Reconfigurable Power Converters

• arxiv url: http://arxiv.org/abs/2601.21984v2
• Date: Fri, 30 Jan 2026 15:35:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 14:22:45.413781
• Title: PowerGenie: Analytically-Guided Evolutionary Discovery of Superior Reconfigurable Power Converters
• Title（参考訳）: PowerGenie: 分析的にガイドされたスーパーコンバータの進化的発見
• Authors: Jian Gao, Yiwei Zou, Abhishek Pradhan, Wenhao Huang, Yumin Su, Kaiyuan Yang, Xuan Zhang,
• Abstract要約: PowerGenieは、大規模な高性能リコンバータの自動発見のためのフレームワークである。 コンポーネントサイズやSPICEシミュレーションを使わずにコンバータ機能と理論的性能限界を決定する。 PowerGenieは、最高のトレーニングトポロジよりも23%高いフィギュア・オブ・メリットを持つ、新しい8モード再構成可能なコンバータを発見した。
• 参考スコア（独自算出の注目度）: 10.740681980970052
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Discovering superior circuit topologies requires navigating an exponentially large design space-a challenge traditionally reserved for human experts. Existing AI methods either select from predefined templates or generate novel topologies at a limited scale without rigorous verification, leaving large-scale performance-driven discovery underexplored. We present PowerGenie, a framework for automated discovery of higher-performance reconfigurable power converters at scale. PowerGenie introduces: (1) an automated analytical framework that determines converter functionality and theoretical performance limits without component sizing or SPICE simulation, and (2) an evolutionary finetuning method that co-evolves a generative model with its training distribution through fitness selection and uniqueness verification. Unlike existing methods that suffer from mode collapse and overfitting, our approach achieves higher syntax validity, function validity, novelty rate, and figure-of-merit (FoM). PowerGenie discovers a novel 8-mode reconfigurable converter with 23% higher FoM than the best training topology. SPICE simulations confirm average absolute efficiency gains of 10% across 8 modes and up to 17% at a single mode. Code will be released upon publication.
• Abstract（参考訳）: 優れた回路トポロジを見つけるためには、指数関数的に大きなデザイン空間をナビゲートする必要がある。 既存のAIメソッドは、事前に定義されたテンプレートから選択するか、厳格な検証なしに、限られたスケールで新しいトポロジを生成する。 本稿では、大規模で高性能な再構成可能電力変換器の自動発見のためのフレームワークPowerGenieを紹介する。 PowerGenieは,(1)コンポーネントサイズやSPICEシミュレーションを使わずにコンバータ機能と理論的性能限界を判断する自動分析フレームワーク,(2)適合度選択と一意性検証による学習分布を共進化させる進化的微調整手法を紹介する。 モード崩壊やオーバーフィッティングに苦しむ既存の手法とは異なり,本手法はより高い構文妥当性,機能妥当性,新規性率,FoM( figure-of-merit)を実現する。 PowerGenieは、最高のトレーニングトポロジよりも23%高いFoMを持つ、新しい8モード再構成可能なコンバータを発見した。 SPICEシミュレーションは、平均絶対効率が8モードで10%向上し、1モードで最大17%向上することを確認した。 コードは出版時に公開される。

関連論文リスト

• Sparsity-Controllable Dynamic Top-p MoE for Large Foundation Model Pre-training [30.589225478300023]
  DTop-pは空間制御可能な動的Top-pルーティング機構である。 DTop-pはTop-kベースラインとTop-pベースラインの両方を一貫して上回ることを示す。 DTop-pは、専門家の粒度、専門家のキャパシティ、モデルサイズ、データセットサイズに関して、強力なスケーリング特性を示す。
  論文  参考訳（メタデータ） (2025-12-16T01:28:57Z)
• Elastic ViTs from Pretrained Models without Retraining [74.5386166956142]
  ビジョンファウンデーションモデルは優れたパフォーマンスを達成するが、事前決定されたサイズの限られたセットでしか利用できない。 本稿では, プルーニングされた視覚変換器のためのシングルショットネットワーク近似であるSnapViTを紹介する。 提案手法は,進化的アルゴリズムを用いて近似した勾配情報とクロスネットワーク構造相関を効率的に結合する。
  論文  参考訳（メタデータ） (2025-10-20T16:15:03Z)
• MoE-FFD: Mixture of Experts for Generalized and Parameter-Efficient Face Forgery Detection [54.545054873239295]
  ディープフェイクは、最近、国民の間で重大な信頼問題とセキュリティ上の懸念を提起した。 ViT法はトランスの表現性を生かし,優れた検出性能を実現する。 この研究は、汎用的でパラメータ効率のよいViTベースのアプローチであるFace Forgery Detection (MoE-FFD)のためのMixture-of-Expertsモジュールを導入する。
  論文  参考訳（メタデータ） (2024-04-12T13:02:08Z)
• Test-Time Model Adaptation with Only Forward Passes [68.11784295706995]
  テストタイム適応は、トレーニング済みのモデルを、潜在的に分布シフトのある未確認テストサンプルに適応させるのに有効であることが証明されている。 テスト時間フォワード最適化適応法(FOA)を提案する。 FOAは量子化された8ビットのViTで動作し、32ビットのViTで勾配ベースのTENTより優れ、ImageNet-Cで最大24倍のメモリ削減を実現する。
  論文  参考訳（メタデータ） (2024-04-02T05:34:33Z)
• AutoBERT-Zero: Evolving BERT Backbone from Scratch [94.89102524181986]
  そこで本稿では,提案するハイブリッドバックボーンアーキテクチャを自動検索するOP-NASアルゴリズムを提案する。 提案するOP-NASの効率を向上させるために,探索アルゴリズムと候補モデルの評価を最適化する。 実験の結果、検索されたアーキテクチャ(AutoBERT-Zero)は、様々な下流タスクにおいてBERTとそのバリエーションの異なるモデル容量を著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-07-15T16:46:01Z)
• Learning Discrete Energy-based Models via Auxiliary-variable Local Exploration [130.89746032163106]
  離散構造データに対する条件付きおよび非条件付きEMMを学習するための新しいアルゴリズムであるALOEを提案する。 エネルギー関数とサンプリング器は、新しい変分型電力繰り返しにより効率よく訓練できることを示す。 本稿では、ソフトウェアテストのためのエネルギーモデルガイド付ファジィザについて、libfuzzerのようなよく設計されたファジィエンジンに匹敵する性能を実現する。
  論文  参考訳（メタデータ） (2020-11-10T19:31:29Z)
• GeneCAI: Genetic Evolution for Acquiring Compact AI [36.04715576228068]
  ディープニューラルネットワーク(DNN)は、より高い推論精度を達成するために、より複雑なアーキテクチャへと進化している。 モデル圧縮技術は、リソース制限されたモバイルデバイスにそのような計算集約的なアーキテクチャを効率的に展開するために利用することができる。 本稿では,階層ごとの圧縮ハイパーパラメータのチューニング方法を自動的に学習する新しい最適化手法であるGeneCAIを紹介する。
  論文  参考訳（メタデータ） (2020-04-08T20:56:37Z)

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。