論文の概要: Neuromorphic Parameter Estimation for Power Converter Health Monitoring Using Spiking Neural Networks

• arxiv url: http://arxiv.org/abs/2604.15714v1
• Date: Fri, 17 Apr 2026 05:34:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.751106
• Title: Neuromorphic Parameter Estimation for Power Converter Health Monitoring Using Spiking Neural Networks
• Title（参考訳）: スパイクニューラルネットワークを用いた電力変換器の健康モニタリングのためのニューロモルフィックパラメータ推定
• Abstract要約: 常時オンコンバータのヘルスモニタリングには、サブmWエッジ推論が必要である。 この研究は、スパイク時間処理と物理の執行を分離する。 93%のスパイクスペシャリティを持つこのアーキテクチャは、Intel Loihi 2やBrainChip Akidaの常時デプロイに適している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Always-on converter health monitoring demands sub-mW edge inference, a regime inaccessible to GPU-based physics-informed neural networks. This work separates spiking temporal processing from physics enforcement: a three-layer leaky integrate-and-fire SNN estimates passive component parameters while a differentiable ODE solver provides physics-consistent training by decoupling the ODE physics loss from the unrolled spiking loop. On an EMI-corrupted synchronous buck converter benchmark, the SNN reduces lumped resistance error from $25.8\%$ to $10.2\%$ versus a feedforward baseline, within the $\pm 10\%$ manufacturing tolerance of passive components, at a projected ${\sim}270\times$ energy reduction on neuromorphic hardware. Persistent membrane states further enable degradation tracking and event-driven fault detection via a $+5.5$ percentage-point spike-rate jump at abrupt faults. With $93\%$ spike sparsity, the architecture is suited for always-on deployment on Intel Loihi 2 or BrainChip Akida.
• Abstract（参考訳）: 常にオンコンバータの健康モニタリングは、GPUベースの物理インフォームドニューラルネットワークにアクセスできないサブmWエッジ推論を要求する。 SNNは受動的成分パラメータを推定し、差別化可能なODEソルバは、回転しないスパイクループからODE物理損失を分離して物理一貫性のあるトレーニングを提供する。 EMI崩壊した同期バックコンバータのベンチマークでは、SNNは、ニューロモルフィックハードウェアのエネルギー削減のための予測された${\sim}270\times$$$$${\sim}270\times$$で、ラム付き抵抗誤差を25.8\%から10.2\%からフィードフォワードベースラインに還元する。 永続膜状態は、急激な断層での5.5ドルの比例スパイクレートジャンプによる劣化追跡とイベント駆動断層検出をさらに可能にしている。 930\%のスパイク幅を持つこのアーキテクチャは、Intel Loihi 2やBrainChip Akidaの常時デプロイに適している。

関連論文リスト

• A variational physics-informed graph neural network for heterogeneous solid mechanics [0.0]
  本研究は, 実験場ではなく, 離散化によってコンフォーメーションを導出する, 変分・ラベルなし物理インフォームドグラフニューラルネットワーク(PI-GNN)を提案する。
  論文  参考訳（メタデータ） (2026-09-10T02:02:32Z)
• Reducing ANN-SNN Conversion Error via Residual Membrane Potential Alignment [52.910770415431244]
  スパイキングニューラルネットワーク(SNN)は、ニューロモルフィックコンピューティングのコアアーキテクチャとして機能する。 ANN-SNN変換は、低レイテンシでエネルギー効率のよい推論のために、よく訓練されたANN重みを再利用することで問題を回避している。 既存の変換方式は、小さなタイミングで精度の低下、大きな推論遅延、累積量子化誤差に悩まされている。
  論文  参考訳（メタデータ） (2026-08-14T04:46:03Z)
• Latency-Constrained Hardware-Aware Quantum Error Correction Co-Design with Adaptive Confidence-Gated Neural Decoding for the Rotated Surface Code [0.0]
  リアルタイムデコーディングは、量子エラー訂正のスケーリングにおいて大きなボトルネックとなる。 本稿では2段階推論問題としてデコードを扱うアダプティブ・アダプティブ・アダプティブ・アダプティブ・デコード・フレームワークを提案する。 回路レベルの非偏光雑音下で,3,5,7,9,11$で$dの回転曲面符号をベンチマークした。
  論文  参考訳（メタデータ） (2026-07-07T04:18:42Z)
• Neuromorphic LiDAR-based Bird's Eye View Object Detection using Energy-efficient Spiking Neural Networks [1.942428068361014]
  従来の畳み込みニューラルネットワークは強力な検出精度を実現するが、計算集約的である。 本稿では,LiDAR点雲の鳥眼ビュー表現における物体検出のための終端スパイキングエンコーダ・デコーダネットワークを提案する。 ネットワークがデータから直接スパイク表現を学習できるようにすることは、手作りのPoisson、レイテンシ、z軸符号化方式よりも優れていることを示す。
  論文  参考訳（メタデータ） (2026-05-24T23:13:34Z)
• TIDE: Asymmetric Neural Circuits for Stabilized Temporal Inhibitory-Excitatory Dynamics [51.37317469455798]
  最近のContinuous Thought Machineアーキテクチャは、ニューラルダイナミクスを介して外部入力から内部計算を分離している。 非対称な興奮抑制(E-I)ネットワークを用いたニューラルダイナミクスのモデル化を提案する。 本稿では、神経力学を安定化させて内部表現を計算する、神経に触発されたアーキテクチャであるTIDE(Temporal Inhibitory-Excitatory Dynamic Engine)を紹介する。
  論文  参考訳（メタデータ） (2026-05-19T05:59:13Z)
• Towards Green Wearable Computing: A Physics-Aware Spiking Neural Network for Energy-Efficient IMU-based Human Activity Recognition [0.22618128882498598]
  スパイキングニューラルネットワーク(SNN)は、イベント駆動のエネルギー効率を極端に向上させるが、標準的なアーキテクチャは複雑な生体力学トポロジと時間的勾配劣化に苦しむ。 グリーンHARに適した完全乗算器のないアーキテクチャであるPhysor-Aware Spiking Neural Network (PAS-Net)を提案する。 PAS-Netは、厳密な演算を0.1pJ整数蓄積に置き換えながら、最先端の精度を達成する。
  論文  参考訳（メタデータ） (2026-04-12T04:52:52Z)
• Operator Learning Using Weak Supervision from Walk-on-Spheres [81.26322147849918]
  トレーニング型PDEソルバは、高価なデータ生成や不安定な物理インフォームドニューラルネットワーク(PINN)によってボトルネックされることが多い モンテカルロ法を用いてPDEの解をトレーニング中の弱監督過程として推定する手法を提案する。
  論文  参考訳（メタデータ） (2026-03-01T17:23:39Z)
• INC: An Indirect Neural Corrector for Auto-Regressive Hybrid PDE Solvers [61.84396402100827]
  本稿では,学習した補正を支配方程式に統合する間接ニューラルコレクタ(mathrmINC$)を提案する。 $mathrmINC$は、$t-1 + L$の順番でエラー増幅を減らし、$t$はタイムステップ、$L$はリプシッツ定数である。 大規模なベンチマークで$mathrmINC$をテストし、1Dカオスシステムから3D乱流まで、多くの異なる解法、神経バックボーン、テストケースをカバーした。
  論文  参考訳（メタデータ） (2025-11-16T20:14:28Z)
• Multiscale Astrocyte Network Calcium Dynamics for Biologically Plausible Intelligence in Anomaly Detection [0.48700127614643884]
  Ca$2+$-modulated learning frameworkは、脳内のCa$2+$シグナルからインスピレーションを得ている。 我々のアプローチでは、ディープニューラルネットワーク(DNN)を用いた多細胞アストロサイトダイナミックスシミュレーターを結合する。
  論文  参考訳（メタデータ） (2025-11-06T02:24:51Z)
• Electrostatics from Laplacian Eigenbasis for Neural Network Interatomic Potentials [9.268742966352383]
  メッセージパッシングフレームワーク内でPoissonの方程式を強制するユニバーサルプラグインモジュールであるPhi-Moduleを紹介する。 具体的には、各原子ワイド表現は、離散化されたポアソン方程式を満たすように奨励される。 次に、全エネルギー予測の改善に不可欠な静電エネルギー項を導出する。
  論文  参考訳（メタデータ） (2025-05-20T16:54:25Z)
• High-Performance Temporal Reversible Spiking Neural Networks with $O(L)$ Training Memory and $O(1)$ Inference Cost [32.44622524827913]
  スパイキングニューラルネットワーク(SNN)は、トレーニング中のメモリ要求を増大させ、推論エネルギーコストを増大させる。 本研究では、トレーニングと推論の課題に共同で取り組むために、SNN(T-RevSNN)のための新しい時間的可逆アーキテクチャを提案する。 T-RevSNNはImageNet上で優れた精度を実現し、メモリ効率、トレーニング時間加速度、推論エネルギー効率を大幅に改善することができる。
  論文  参考訳（メタデータ） (2024-05-26T07:26:56Z)
• ApproxDARTS: Differentiable Neural Architecture Search with Approximate Multipliers [0.24578723416255746]
  本稿では、DARTSと呼ばれる一般的な微分可能なニューラルアーキテクチャ探索手法を応用し、近似乗算器を活用可能なニューラルアーキテクチャ探索(NAS)手法であるApproxDARTSを提案する。 ApproxDARTSは10ドル未満のGPU時間で完全なアーキテクチャ検索を実行でき、畳み込み層に近似乗算器を含む競合畳み込みニューラルネットワーク(CNN)を生成する。
  論文  参考訳（メタデータ） (2024-04-08T09:54:57Z)
• NeuralFuse: Learning to Recover the Accuracy of Access-Limited Neural Network Inference in Low-Voltage Regimes [50.00272243518593]
  ディープラーニング(Deep Neural Network, DNN)は、機械学習においてユビキタスになったが、そのエネルギー消費は問題の多いままである。 我々は低電圧状態におけるエネルギー精度のトレードオフを処理する新しいアドオンモジュールであるNeuralFuseを開発した。 1%のビットエラー率で、NeuralFuseはアクセスエネルギーを最大24%削減し、精度を最大57%向上させることができる。
  論文  参考訳（メタデータ） (2023-06-29T11:38:22Z)
• Single-Shot Optical Neural Network [55.41644538483948]
  深層ニューラルネットワークに必要な計算資源を削減するために,「重定常」アナログ光学・電子ハードウェアが提案されている。 我々は、スケーラブルで1層当たり単発の重み付き光学プロセッサを提案する。
  論文  参考訳（メタデータ） (2022-05-18T17:49:49Z)

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。