Fugu-MT 論文翻訳(概要): Comparative Evaluation of Machine Learning and Deep Learning Models for Wound-Rotor Synchronous Motor Performance Prediction

論文の概要: Comparative Evaluation of Machine Learning and Deep Learning Models for Wound-Rotor Synchronous Motor Performance Prediction

arxiv url: http://arxiv.org/abs/2606.21230v1
Date: Fri, 19 Jun 2026 08:49:47 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-26 07:16:44.47301
Title: Comparative Evaluation of Machine Learning and Deep Learning Models for Wound-Rotor Synchronous Motor Performance Prediction
Title（参考訳）: 回転子同期モータ性能予測のための機械学習モデルとディープラーニングモデルの比較評価
Authors: Kıvanç Doğan, Ahmet Orhan,
Abstract要約: 本研究は、FT Transformerのような最近のディープラーニングアーキテクチャを含む幅広いモデルスペクトルを提供する。その結果、ニューラルネットワークベースのモデルは、木ベースのモデルよりも体系的に優れていることがわかった。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Wound rotor synchronous motors have emerged as a strong alternative that eliminates dependence on REEs. However, WRSM design requires the simultaneous optimization of numerous geometric and electromagnetic parameters, and the high computational cost of conventional finite element analysis severely limits the rapid exploration of the large parameter space. Although there are machine-learning-based surrogate modeling studies in the literature, they generally compare only a limited number of models, exclude deep learning architectures, and do not provide a comprehensive benchmark specific to WRSM. In this study, the performance of a total of eight machine learning and deep learning models from four different algorithmic families was systematically compared for the prediction of WRSM torque and motor efficiency. On a dataset of 3351 samples generated using Latin Hypercube Sampling in the Motor-CAD simulation environment, each model was trained with 10 different random seed values and tuned via Optuna hyperparameter optimization. Different from the existing literature, this study jointly offers a broad model spectrum including recent deep learning architectures such as FT Transformer, a multi-seed reproducibility protocol, and a Pareto analysis of the computational cost-accuracy trade-off. The results revealed that neural-network-based models systematically outperform tree-based models. The FT-Transformer model achieved the highest single-model accuracy with R^2 = 0.9928, producing predictions in 0.33 milliseconds and thus obtaining several orders of magnitude speedup compared to FEA. Model performances were evaluated in a multidimensional manner using R^2, MAE, RMSE, and MAPE metrics.
Abstract（参考訳）: ロータ同期電動機は、REEへの依存をなくす強力な代替品として登場した。しかし、WRSM設計には幾何パラメータと電磁パラメータの同時最適化が必要であり、従来の有限要素解析の計算コストが高いため、大きなパラメータ空間の急速な探索は困難である。文献には機械学習に基づく代理モデル研究があるが、一般的には限られた数のモデルのみを比較し、ディープラーニングアーキテクチャを除外し、WRSMに特有の包括的なベンチマークを提供していない。本研究では,WRSMトルクの予測とモータ効率の予測において,4つの異なるアルゴリズム群による合計8つの機械学習モデルとディープラーニングモデルの性能を体系的に比較した。モーターCADシミュレーション環境においてラテンハイパーキューブサンプリングを用いて生成した3351サンプルのデータセットにおいて、各モデルを10種類のランダムシード値でトレーニングし、オプトゥーナハイパーパラメーター最適化によりチューニングした。既存の文献と異なり、本研究ではFT Transformerのような最近のディープラーニングアーキテクチャ、多種再現性プロトコル、計算コスト・正確性トレードオフのPareto分析を含む幅広いモデルスペクトルを共同で提供している。その結果、ニューラルネットワークベースのモデルは、木ベースのモデルよりも体系的に優れていることがわかった。 FT-Transformerモデルは、R^2 = 0.9928で最高の単モデル精度を達成し、0.33ミリ秒で予測し、FAAと比較して数桁のスピードアップが得られる。モデル性能をR^2, MAE, RMSE, MAPEを用いて多次元的に評価した。

関連論文リスト

A comparative study of transformer models and recurrent neural networks for path-dependent composite materials [0.0]
短繊維強化複合材料(SFRC)の均質化応答列を学習したリカレントニューラルネットワーク(RNN)と変圧器モデルを比較した。その結果、トランスフォーマーモデルは大きなデータセットの精度で競争力を維持するが、RNNは小さなデータセットの精度を向上することを示した。
論文参考訳（メタデータ） (2026-02-17T09:29:54Z)
KS-Net: Multi-layer network model for determining the rotor type from motor parameters in interior PMSMs [0.0]
本研究は,IMMSMのローター形状をデータ駆動手法を用いて高精度に予測できることを示す。本研究は, モータ設計プロセスの高速化, 自動ロータ識別システムの開発, および工学的応用におけるデータ駆動型故障診断を実現するための基盤となる。
論文参考訳（メタデータ） (2025-10-17T14:32:05Z)
Dynamic Acoustic Model Architecture Optimization in Training for ASR [51.21112094223223]
DMAOは、Grow-and-drop戦略を使用して、トレーニング中にパラメータを自動的に再配置するアーキテクチャ最適化フレームワークである。 CTC onSpeech, TED-Lium-v2, Switchboard を用いてDMAOの評価を行った。
論文参考訳（メタデータ） (2025-06-16T07:47:34Z)
Predictor-Corrector Enhanced Transformers with Exponential Moving Average Coefficient Learning [73.73967342609603]
トラクションエラーを最小限に抑えるための予測-相関学習フレームワークを提案する。また、高次予測器を強化するために、指数関数的移動平均ベース係数学習法を提案する。我々のモデルは3.8BのDeepNetを平均2.9のSacreBLEUで上回り、1/3のパラメータしか使用していない。
論文参考訳（メタデータ） (2024-11-05T12:26:25Z)
Autoselection of the Ensemble of Convolutional Neural Networks with Second-Order Cone Programming [0.8029049649310213]
本研究では,畳み込みニューラルネットワーク(CNN)のアンサンブルを推定する数学的モデルを提案する。提案手法は, CIFAR-10, CIFAR-100 および MNIST データセットで検証される。
論文参考訳（メタデータ） (2023-02-12T16:18:06Z)
Automatic Evolution of Machine-Learning based Quantum Dynamics with Uncertainty Analysis [4.629634111796585]
長期記憶リカレントニューラルネットワーク(LSTM-RNN)モデルは、長期量子力学をシミュレートするために用いられる。この研究は、オープン量子システムの動的進化をシミュレートする効果的な機械学習アプローチを構築する。
論文参考訳（メタデータ） (2022-05-07T08:53:55Z)
An Efficient Deep Learning Model for Automatic Modulation Recognition Based on Parameter Estimation and Transformation [3.3941243094128035]
本稿では,位相パラメータ推定と変換に基づく効率的なDL-AMRモデルを提案する。我々のモデルは、類似の認識精度を持つベンチマークモデルよりも、トレーニング時間とテスト時間で競争力がある。
論文参考訳（メタデータ） (2021-10-11T03:28:28Z)
Sparse MoEs meet Efficient Ensembles [49.313497379189315]
このようなモデルの2つの一般的なクラス、すなわちニューラルネットワークのアンサンブルと専門家のスパースミックス(スパースMoE)の相互作用について研究する。 Efficient Ensemble of Experts (E$3$)は、両モデルのクラスを最大限に活用するスケーラブルでシンプルなMoEのアンサンブルであり、深いアンサンブルよりも最大45%少ないFLOPを使用する。
論文参考訳（メタデータ） (2021-10-07T11:58:35Z)
MoEfication: Conditional Computation of Transformer Models for Efficient Inference [66.56994436947441]
トランスフォーマーベースの事前学習言語モデルは、パラメータ容量が大きいため、ほとんどのNLPタスクにおいて優れた性能を実現することができるが、計算コストも大きい。スパースアクティベーション現象に基づく条件計算により,大規模モデル推論を高速化する。そこで本研究では,モデルサイズが等しいMoE(Mix-of-experts)バージョン,すなわちMoEficationに変換することを提案する。
論文参考訳（メタデータ） (2021-10-05T02:14:38Z)
ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
論文参考訳（メタデータ） (2021-05-07T11:39:05Z)
Quaternion Factorization Machines: A Lightweight Solution to Intricate Feature Interaction Modelling [76.89779231460193]
factorization machine(fm)は、機能間の高次インタラクションを自動的に学習し、手動の機能エンジニアリングを必要とせずに予測を行うことができる。本研究では,スパース予測解析のためのQFM(Quaternion factorization Machine)とQNFM(Quaternion neural factorization Machine)を提案する。
論文参考訳（メタデータ） (2021-04-05T00:02:36Z)

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。