論文の概要: Lightweight CNN-Based Anomaly Detection for High Voltage Converter Modulators in the Spallation Neutron Source

• arxiv url: http://arxiv.org/abs/2605.31259v1
• Date: Fri, 29 May 2026 12:54:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.61642
• Title: Lightweight CNN-Based Anomaly Detection for High Voltage Converter Modulators in the Spallation Neutron Source
• Title（参考訳）: スパレーション中性子源における高電圧コンバータ変調器の軽量CNNによる異常検出
• Abstract要約: 高出力パルスコンバータの予定外走行は、大型加速器施設におけるダウンタイムの主要な原因である。 本研究では, 時間的フィルタリングやチャネル間混合の順序付けなど, アーキテクチャ上の帰納バイアスが検出性能において重要な役割を担っていることを示す。 AUC-PRが0.816、AUC-ROCが0.934で、ほとんどのサブシステムと6つのフォールトファミリーのうち5つにおいて、技術状況よりも優れています。
• 参考スコア（独自算出の注目度）: 0.788278500923222
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unscheduled trips of high-power pulsed converters are a leading source of downtime at large accelerator facilities. At the Spallation Neutron Source (SNS), the High Voltage Converter Modulators (HVCMs) are consistently the second-largest contributor to lost beam time. Each HVCM pulse is recorded across sensor channels spanning currents, voltages, and magnetic fluxes, whose mutual interactions encode the operating state of the system. Fault precursors do not manifest uniformly across these channels: depending on fault type, they may alter the temporal structure of individual signals, change the statistical dependencies among channels, or both. Existing deep-learning approaches typically process multi-channel signals with standard convolutional pipelines that entangle temporal and cross-channel operations from the first layer, giving the model no explicit mechanism to represent channel independence or structured inter-channel interaction. We hypothesise that architectural inductive bias, specifically the ordering of temporal filtering and cross-channel mixing, plays a central role in detection performance on this class of data. To test this, we vary the order in which these two operations are applied, and examine whether per-pulse adaptive channel reweighting further improves sensitivity. Evaluated on the public HVCM dataset across all four SNS subsystems (RFQ, DTL, CCL, SCL), our best variant achieves a pooled AUC-PR of 0.816 and AUC-ROC of 0.934, outperforming the state of the art on most subsystems and five of the six fault families. Ablations identify three dominant input channels and link per-fault-family performance to whether precursors manifest as amplitude shifts in individual channels or as subtler patterns requiring joint channel representations to surface.
• Abstract（参考訳）: 高出力パルスコンバータの予定外の走行は、大型加速器施設におけるダウンタイムの主要な原因である。 スパレーション中性子源(SNS)では、高電圧コンバータ変調器(HVCM)がロスビーム時間に対する2番目に大きな寄与である。 各HVCMパルスは、電流、電圧、磁束にまたがるセンサーチャネルにまたがって記録され、相互の相互作用はシステムの動作状態を符号化する。 障害の種類によっては、個々の信号の時間的構造を変更したり、チャネル間の統計的依存関係を変更したり、あるいはその両方を変えることがある。 既存のディープラーニングアプローチは、通常、標準の畳み込みパイプラインでマルチチャネル信号を処理し、第1層から時間的および横断的な操作を絡み合わせる。 我々は, 時間的フィルタリングとチャネル間混合の順序付けを特徴とするアーキテクチャ帰納バイアスが, このタイプのデータに対する検出性能において中心的な役割を担っていると仮定する。 これをテストするために、これらの2つの操作を適用する順序を変化させ、パルスごとの適応チャネル再重み付けにより感度がさらに向上するかどうかを検討する。 SNSの4つのサブシステム(RFQ, DTL, CCL, SCL)にまたがる公開HVCMデータセットに基づいて評価し, AUC-PR 0.816 と AUC-ROC 0.934 のプール化を実現した。 アブレーションは3つの支配的な入力チャネルを識別し、前駆体が個々のチャネルの振幅変化として現れるか、または結合チャネルの表現を必要とする微妙なパターンで表されるかを示す。

関連論文リスト

• SPARK: Input-Conditioned Sparse Activation Modulation for Frozen DiT-based Super-Resolution [22.659619627342156]
  凍結したDiTベースのSRモデルに対して,支配チャネルがコンパクトな適応インタフェースとして機能するかどうかを検討する。 本稿では,選択したチャネルのみに対して,チャネルごとのアフィン変換を有界に予測する軽量な入力条件制御系であるSPARKを紹介する。 DIV2K、RealSR、DRealSRにまたがる3つのDiTベースのSRバックボーンの実験では、ストリームとブロックの8チャンネルだけを調節しながら、忠実さと知覚品質の両面で一貫した利得を示した。
  論文  参考訳（メタデータ） (2026-09-03T13:17:29Z)
• ChannelKAN: Multi-Scale Dual-Domain Channel Prediction via Hybrid CNN-KAN Architecture [16.236145234205036]
  既存のディープラーニング手法は、短期的な局所的変動と長距離の非線形依存を共同で捉えるのに苦労している。 マルチスケール周波数領域情報拡張を用いたハイブリッドCNN-KANチャネル予測モデルであるChannelKANを提案する。 実験により、ChannelKANは、正規化平均二乗誤差(NMSE)、スペクトル効率(SE)、ビット誤り率(BER)において、RNN LSTM、GRU、CNN、Transformerのベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2026-05-11T07:58:51Z)
• DC-ViT: Modulating Spatial and Channel Interactions for Multi-Channel Images [9.507520646516719]
  マルチチャネルイメージング(MCI)のトレーニングと評価は、異種チャネル構成のため、依然として困難である。 最近のMulti-Channel Vision Transformers (MC-ViTs)は、フレキシブルなチャネル入力を可能にすることでこの問題に対処している。 Decoupled Self-Attention (DSA)を用いて情報共有を明示的に制御するDecoupled Vision Transformer (DC-ViT)を提案する。
  論文  参考訳（メタデータ） (2026-03-15T08:31:34Z)
• Random Multiplexing [16.779663297278187]
  本稿では,物理チャネルから切り離されたランダム多重化手法について検討する。 等価な入力等方性チャネル行列を構築することにより、送信信号に対する統計的フェーディングチャネルエルゴディディティを実現する。 時間領域チャネルの間隔と等価チャネルのランダム性を利用して、低複雑さのクロスドメインメモリAMP検出器を検討する。
  論文  参考訳（メタデータ） (2025-12-30T08:58:51Z)
• Non-Identical Diffusion Models in MIMO-OFDM Channel Generation [33.33163164222617]
  非同一拡散モデルと呼ばれる新しい拡散モデルを提案し,その無線OFDMチャネル生成への応用について検討する。 非識別拡散により、ノイズ入力内の各要素の信頼性を特徴付けることができる。 提案手法の有効性と妥当性を理論的にも数値的にも示す。
  論文  参考訳（メタデータ） (2025-09-01T17:33:39Z)
• Controllable diffusion-based generation for multi-channel biological data [66.44042377817074]
  本研究では, 構造的および空間的生物学的データに対する制御可能生成のための統合拡散フレームワークを提案する。 空間的および非空間的予測タスクにまたがって,IMCにおけるタンパク質のインパルス化や単一セルデータセットにおける遺伝子対タンパク質の予測など,最先端のパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-06-24T00:56:21Z)
• AdaFortiTran: An Adaptive Transformer Model for Robust OFDM Channel Estimation [22.40154714677385]
  本稿では,アダフォーティトラン(Adaptive Fortified Transformer, AdaFortiTran)を提案する。 AdaFortiTranは最先端モデルと比較して平均2乗誤差(MSE)を最大6dB削減する。
  論文  参考訳（メタデータ） (2025-05-14T02:22:37Z)
• Towards Stabilized and Efficient Diffusion Transformers through Long-Skip-Connections with Spectral Constraints [51.83081671798784]
  Diffusion Transformers (DiT) は、画像およびビデオ生成のための強力なアーキテクチャとして登場し、優れた品質とスケーラビリティを提供している。 DiTの実用アプリケーションは本質的に動的特徴不安定性に悩まされており、キャッシュされた推論中にエラーを増幅する。 我々は,Long-Skip-Connections (LSCs) で拡張された画像およびビデオ生成型DiTであるSkip-DiTを提案する。
  論文  参考訳（メタデータ） (2024-11-26T17:28:10Z)
• Joint Channel Estimation and Feedback with Masked Token Transformers in Massive MIMO Systems [74.52117784544758]
  本稿では,CSI行列内の固有周波数領域相関を明らかにするエンコーダデコーダに基づくネットワークを提案する。 エンコーダ・デコーダネットワーク全体がチャネル圧縮に使用される。 提案手法は,共同作業における現状のチャネル推定およびフィードバック技術より優れる。
  論文  参考訳（メタデータ） (2023-06-08T06:15:17Z)
• Deep Reinforcement Learning for IRS Phase Shift Design in Spatiotemporally Correlated Environments [93.30657979626858]
  本稿では,チャネル相関と目的地動きを考慮したディープアクター批判アルゴリズムを提案する。 チャネルが時間的に相関している場合、コンバージェンスを抑制する方法において、関数近似を伴う状態表現にSNRを組み込むことが示される。
  論文  参考訳（メタデータ） (2022-11-02T22:07:36Z)
• Model-Driven Deep Learning Based Channel Estimation and Feedback for Millimeter-Wave Massive Hybrid MIMO Systems [61.78590389147475]
  本稿では,ミリ波(mmWave)システムのモデル駆動深層学習(MDDL)に基づくチャネル推定とフィードバック方式を提案する。 無線周波数(RF)鎖の限られた数から高次元チャネルを推定するためのアップリンクパイロットオーバーヘッドを低減するために,位相シフトネットワークとチャネル推定器を自動エンコーダとして共同で訓練することを提案する。 MDDLに基づくチャネル推定とフィードバック方式は,最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-22T13:34:53Z)
• Deep Denoising Neural Network Assisted Compressive Channel Estimation for mmWave Intelligent Reflecting Surfaces [99.34306447202546]
  本稿では,mmWave IRSシステムに対するディープデノイングニューラルネットワークを用いた圧縮チャネル推定法を提案する。 我々はまず、受信チェーンをほとんど使わず、アップリンクのユーザ-IRSチャネルを推定するハイブリッド・パッシブ/アクティブIRSアーキテクチャを導入する。 完全チャネル行列は、圧縮センシングに基づいて限られた測定値から再構成することができる。
  論文  参考訳（メタデータ） (2020-06-03T12:18:57Z)

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。