論文の概要: CAHR-Net: Condition-Adaptive Hysteresis Reconstruction for Compact and Interpretable Magnetic Core Loss Modeling

• arxiv url: http://arxiv.org/abs/2609.01991v1
• Date: Wed, 02 Sep 2026 01:54:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.027624
• Title: CAHR-Net: Condition-Adaptive Hysteresis Reconstruction for Compact and Interpretable Magnetic Core Loss Modeling
• Title（参考訳）: CAHR-Net: コンパクトかつ解釈可能な磁気コア損失モデリングのための条件適応型ヒステリシス再構成
• Abstract要約: 本稿では,動作する動作条件を注入する条件適応型再構成ネットワークCAHR-Netを提案する。 解釈可能な鎖をフラックス密度波形から磁場再構成、ループ領域積分、電力損失推定まで保持する。 また,AdamWをベースとした大規模バッチトレーニングプロトコル,コサインスケジューリング,段階的再構築・パワーロス目標についても報告する。
• 参考スコア（独自算出の注目度）: 22.369771770664702
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Magnetic core loss originates in the hysteresis loop: the energy dissipated per excitation cycle equals the loop area, and frequency, temperature, and waveform shape set the loss by reshaping the loop geometry. Most existing models let these conditions act only on a terminal scalar - empirical equations fold them into fitted exponents, and data-driven predictors append them to encoded features - so no intermediate hysteresis representation remains for the conditions to reshape. This paper proposes CAHR-Net, a condition-adaptive hysteresis reconstruction network that injects the operating conditions where they physically act. It preserves the interpretable chain from flux density waveform to magnetic field reconstruction, loop-area integration, and power loss estimation, and uses feature-wise linear modulation to inject frequency, temperature, and waveform statistics into the intermediate reconstruction representation. A matched large-batch training protocol based on AdamW, cosine scheduling, and a staged reconstruction-to-power-loss objective is also reported, because the modulation pathway takes effect only within it. On the MagNet final A-E material protocol, CAHR-Net attains an average p95 relative error of 6.89% with only 1874 parameters, the lowest among all compared methods, together with a lower worst-material p95 than the strongest black-box solution at about 48x fewer parameters; it reduces the average p95 of the physical reconstruction backbone from 7.47% to 6.89% and the p95 of material D, the most difficult material, from 16.40% to 14.87%. Ablation and condition-slice analyses attribute the improvement to the coupling of physical loop reconstruction, structured condition modulation, and the matched optimization trajectory.
• Abstract（参考訳）: 磁気コア損失はヒステリシスループに起因し、励起サイクル毎に放出されるエネルギーはループ面積と等しく、周波数、温度、波形形状はループ形状を変形することによって損失をセットする。 既存のほとんどのモデルでは、これらの条件は終端スカラーのみに作用し、経験方程式はそれらを適合した指数に折り畳み、データ駆動予測器はそれを符号化された特徴に付加する。 本稿では,条件適応型ヒステリシス再構築ネットワークであるCAHR-Netを提案する。 フラックス密度波形から磁場再構成、ループ領域積分、電力損失推定まで解釈可能な鎖を保存し、特徴量線形変調を用いて、中間再構成表現に周波数、温度、波形統計を注入する。 また,AdamWをベースとした大規模バッチトレーニングプロトコル,コサインスケジューリング,段階的再構成・パワーロス目標も報告した。 MagNetの最終A-E物質プロトコルでは、CAHR-Netは1874のパラメータで平均p95の相対誤差が6.89%に達し、全ての比較手法の中で最低のp95は最強のブラックボックス溶液の約48倍のパラメータで、物理的復元バックボーンの平均p95は7.47%から6.89%に、材料Dのp95は16.40%から14.87%に減少する。 アブレーションおよび条件スライス解析は, 物理ループ再構成, 構造化条件変調, 整合最適化軌道の結合性の向上に起因する。

関連論文リスト

• When Guidance Goes Off-Scale: Recalibrating Diffusion Transformers under Analog Compute-in-Memory Nonidealities [2.005299372367689]
  ディフュージョントランスフォーマー(DiT)は、サンプリングによって大きなデノイザが繰り返し評価されるため、高いメモリトラフィックとエネルギーコストを発生させる。 アナログCIMの非理想性がDiTサンプリングに与える影響を特徴付ける。 そこで本研究では,CIM条件のCFGスケールのみを調整したリトレーニングフリーのサンプル側再校正を提案する。
  論文  参考訳（メタデータ） (2026-08-20T05:21:48Z)
• Mitigating the Impact of Retention Loss on Inference Accuracy in 65 nm Single-Poly Floating-Gate Analog In-Memory Computing [36.94429692322632]
  推測精度の劣化に対する保持損失の影響を軽減できることを示す。 プログラミングから60日経ってから2～4%でベースライン推定精度を回復できることが示される。
  論文  参考訳（メタデータ） (2026-07-27T20:41:46Z)
• SPARC-Net: A Spectral, Causality-Aware, and Hard-Constrained Physics-Informed Architecture for Stiff and Shock-Dominated Partial Differential Equations [0.0654051537828115]
  物理インフォームドニューラルネットワーク(PINN)は、偏微分方程式(PDE)を解くためのメッシュレスアプローチを提供する PINNは、小さなPDE残基が世界規模で不正確な解に対応できる、硬度および衝撃に支配された問題において深刻な劣化を被る。 これらの障害は, (i) スペクトルバイアスと鋭い特徴との同時的相互作用, (ii) 不均衡な多重時間最適化と損失重大崩壊, (iii) 時間的因果性違反, (iv) 未解決のコロケーションから生じる多因果性を示す。 統合アーキテクチャとトレーニングの現在-Net
  論文  参考訳（メタデータ） (2026-07-13T09:23:17Z)
• MARR: Module-Adaptive Residual Reconstruction for Low-Bit Post-Training Quantization [42.904834974723535]
  モジュール適応残差再構成(MARR)を提案する。 MARRはモジュール固有のスケーリング係数を割り当て、各モジュールに対して累積エラー補正と残留関連HAバイアスを適応的にバランスさせる。 いくつかの典型的な大規模言語モデル(LLM)と視覚変換器(ViT)の実験は、低ビット量子化下でのMARRの有効性を実証している。
  論文  参考訳（メタデータ） (2026-05-18T07:51:49Z)
• A Green-Integral-Constrained Neural Solver with Stochastic Physics-Informed Regularization [3.491999371287298]
  音響ヘルムホルツ方程式に対するグリーン・インテグラル(GI)ニューラルソルバを提案する。 これは、積分表現を通じて波動物理学を強制することによって、PDE-残留性に基づく定式化から逸脱する。 GIベースのトレーニングはPDEベースのPINNを一貫して上回り、計算コストを10倍以上削減することを示した。
  論文  参考訳（メタデータ） (2026-04-23T08:24:10Z)
• PDE foundation model-accelerated inverse estimation of system parameters in inertial confinement fusion [36.885866084809926]
  Inertial Confinement fusion (ICF)における逆問題について検討する:マルチモーダル・スナップショット式観測(出力)からシステムパラメータ(インプット)を推定する。 我々はPDEファンデーションモデルを微調整し、ハイパースペクトル画像と回帰システムのパラメータを共同で再構築する軽量なタスク固有ヘッドを訓練する。 実験では、トレーニングデータの量が増加するにつれて、復元と回帰の両方の損失が一貫した改善を示す。
  論文  参考訳（メタデータ） (2026-03-04T21:07:43Z)
• Plug-and-Play Diffusion Meets ADMM: Dual-Variable Coupling for Robust Medical Image Reconstruction [45.25461515976432]
  画像再構成のための強力なパラダイムとして,DP(Plug-and-Play diffusion prior)フレームワークが登場した。 本稿では, バイアス・ハロシン化トレードオフを解消し, 収束を著しく加速した最先端の勾配を実現するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2026-02-26T16:58:43Z)
• ReconMOST: Multi-Layer Sea Temperature Reconstruction with Observations-Guided Diffusion [48.540756751934836]
  ReconMOSTは多層水温再構築のためのデータ駆動誘導拡散モデルフレームワークである。 提案手法はMLベースのSST再構成をグローバルな多層設定に拡張し,92.5%以上の欠落データを処理する。
  論文  参考訳（メタデータ） (2025-06-12T06:27:22Z)
• DispFormer: A Pretrained Transformer Incorporating Physical Constraints for Dispersion Curve Inversion [56.64622091009756]
  本研究では、レイリー波位相と群分散曲線からプロファイルインバージョンを$v_s$とするトランスフォーマーベースのニューラルネットワークであるDispFormerを紹介する。 DispFormerは各期間に分散データを個別に処理し、ネットワークの変更やデータセットのトレーニングとテストの厳格な調整を必要とせずに、さまざまな長さを処理できる。
  論文  参考訳（メタデータ） (2025-01-08T09:08:24Z)
• HARDCORE: H-field and power loss estimation for arbitrary waveforms with residual, dilated convolutional neural networks in ferrite cores [1.3437002403398262]
  MagNet Challenge 2023は、トロイダルフェライトコアにおける定常的な電力損失の物質特異的で波形に依存しない推定のためのデータ駆動モデルの開発を競合他社に呼びかけている。 HardCOREアプローチは、物理インフォームド拡張を持つ残差畳み込みニューラルネットワークが、事前に観測データに基づいてトレーニングされた場合、このタスクを効率的に行うことができることを示している。 モデルは各素材のスクラッチから訓練されるが、トポロジーは同じである。
  論文  参考訳（メタデータ） (2024-01-21T13:24:41Z)
• Data-Free Dynamic Compression of CNNs for Tractable Efficiency [46.498278084317704]
  構造化プルーニング手法は, 精度が大幅に低下することなく浮動小数点演算を低下させる可能性を示唆している。 HASTE(Hashing for Tractable Efficiency)は,データフリーでプラグイン・アンド・プレイのコンボリューションモジュールで,トレーニングや微調整なしにネットワークのテスト時間推論コストを瞬時に低減する。 CIFAR-10とImageNetでは46.72%のFLOPを1.25%の精度で削減した。
  論文  参考訳（メタデータ） (2023-09-29T13:09:40Z)
• Physics-Informed Neural Networks for Material Model Calibration from Full-Field Displacement Data [0.0]
  本研究では,実環境下でのフルフィールド変位と大域力データからモデルのキャリブレーションを行うためのPINNを提案する。 拡張PINNは、実験的な1次元データと合成フルフィールド変位データの両方から材料パラメータを識別できることを実証した。
  論文  参考訳（メタデータ） (2022-12-15T11:01:32Z)
• RAMP-Net: A Robust Adaptive MPC for Quadrotors via Physics-informed Neural Network [6.309365332210523]
  本稿では、単純なODEとデータの一部をトレーニングしたニューラルネットワークを用いて、PINN(RAMP-Net)を介してロバスト適応MPCフレームワークを提案する。 我々は,SOTA回帰に基づく2つのMPC法と比較して,0.5～1.75m/sの追跡誤差を7.8%から43.2%,8.04%から61.5%削減した。
  論文  参考訳（メタデータ） (2022-09-19T16:11:51Z)

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。