論文の概要: Physics-Direct FPGA Tooth-Contact Computation for Deterministic Gear Digital Twins

• arxiv url: http://arxiv.org/abs/2609.04248v1
• Date: Fri, 28 Aug 2026 01:12:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:23.745757
• Title: Physics-Direct FPGA Tooth-Contact Computation for Deterministic Gear Digital Twins
• Title（参考訳）: 決定論的歯車デジタル双対に対する物理直接FPGA歯牙接触計算
• Abstract要約: Gear Digital twins, hardware-in-the-loop rigs, and active vibration control closed a loop around the instantaneous tooth-contact state, demand asolvr that real-time, deterministic and embeddeddable。 代わりに、閉形式の接触物理(接触点の局所化、主曲率抽出、楕円解)を直接分岐のない固定点FPGAデータパスに圧縮する。
• 参考スコア（独自算出の注目度）: 3.451964963586459
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Gear digital twins, hardware-in-the-loop rigs, and active vibration control close a loop around the instantaneous tooth-contact state, demanding a solver that is real-time, deterministic, and embeddable -- properties that loaded tooth contact analysis (LTCA), a data-dependent linear complementarity problem (LCP) costing seconds per mesh phase in fp64, structurally lacks; learned surrogates infer fast but spend one full LTCA solve per training sample and offer no guarantee beyond their training envelope. We instead compress the closed-form contact physics -- contact-point localization, principal-curvature extraction, and the elliptical Hertz solution -- directly into a branch-free fixed-point FPGA datapath, termed physics-direct, realized through the fully open-source openXC7 flow (no vendor tools, no floating-point IP) and validated on retired XC7K480T silicon. Four SoCs -- geometry, Hertz, and two fused paths -- pass bit-exact JTAG readback against a golden model. The on-chip preview tracks LCP body pressure to within -22% and loaded transmission error (LTE) peak-to-peak to -19%, preserving the exact $W^{1/3}$ law; with zero training it extrapolates in load more accurately than a trained network (18.9% versus 20.3%). Latency is a compile-time constant ($σ= 0$ jitter), and the DSP-bound geometry kernel saturates the fabric near 63 lanes. Physics-direct is an interpretable, deterministic alternative to neural surrogacy for embedded tooth-contact estimation.
• Abstract（参考訳）: 歯車デジタルツイン、ハードウェア・イン・ザ・ループ・リグ、アクティブ振動制御は、即時歯接触状態のループを閉じ、リアルタイム、決定論的、埋め込み可能な -- 歯接触解析(LTCA)をロードする特性、データ依存線形相補性問題(LCP)がfp64のメッシュ1秒あたりのコスト、構造的欠如、学習サロゲートが高速だがトレーニングサンプルあたり1回の完全なLTCA解決に費やし、トレーニングエンベロープ以外の保証を提供しないことを要求する。 代わりに、クローズドフォームの接触物理 -- コンタクトポイントのローカライゼーション、主曲率抽出、楕円ヘルツソリューション -- を、ブランチフリーの固定ポイントFPGAデータパスに直接圧縮し、物理ダイレクトと呼ばれ、完全にオープンソースであるopenXC7フロー(ベンダーツールなし、浮動小数点IPなし)を通じて実現し、引退したXC7K480Tシリコン上で検証する。 4つのSoC -- 幾何学、ヘルツ、および2つの融合パス -- は、黄金のモデルに対してビットエクサクサクソンJTAGリードバックをパスする。 オンチッププレビューでは、LCPの体圧を-22%の範囲で追跡し、ロード送信エラー(LTE)ピークピークを-19%にし、正確な$W^{1/3}の法則を保ち、トレーニングをゼロにすることで、訓練されたネットワーク(18.9%対20.3%)よりも正確な負荷を外挿する。 遅延はコンパイル時定数(σ= 0$ jitter)であり、DSPに結合した幾何学的カーネルは63レーン付近で飽和する。 物理ディレクティブ(英: Physics-direct)は、埋め込まれた歯の接触推定のための神経代理の解釈可能な、決定論的代替手段である。

関連論文リスト

• VC-Attention: Value Smoothing and Softmax Casting for Low-bit Attention [47.30761996669105]
  トレーニング不要な低ビットアテンションフレームワークであるVC-Attentionを提案する。 V-Smoothは、オンラインの軽量クラスタリングによってバリュートークンを再注文するので、融合ハードウェアブロック内のトークンは、共に量子化される。 ログドメインのスコアを直接E4M3確率符号に1つの融合乗算加算でマッピングし、FP32指数関数とフォーマット変換を排除した。
  論文  参考訳（メタデータ） (2026-09-14T16:17:35Z)
• Graph-Aware Exact Branch-and-Bound with Device Profiles for Static Qubit Allocation [1.5229257192293195]
  静的量子ビット割り当ては、回路の論理量子ビットをスパース物理デバイスにマッピングする。 我々は、グラフ対応の正確な削減を、軽量な割り当てバウンドパスのためのエンジニアリングバンドルに統合する。 その結果、グラフ対応ノード処理とエンジニアリングにより、正確な割り当てに必要なリソースを大幅に削減できることがわかった。
  論文  参考訳（メタデータ） (2026-08-04T12:36:54Z)
• Empowering On-Device Model Adaptation with an Edge AI Inference Accelerator [43.8008779739425]
  オンデバイスモデル適応は、リソース制約のあるハードウェア上で生涯のパーソナライズを可能にするために不可欠だが、計算、電力、メモリ制限は、現代のディープニューラルネットワークではエンドツーエンドのバックプロパゲーションを非現実的にする。 この研究は、デバイス上でのトレーニング中にフリーズバックボーン特徴抽出のために、商用エッジAI推論アクセラレータであるHairo-8Lを再利用した異種適応パイプラインを提案する。
  論文  参考訳（メタデータ） (2026-07-20T16:02:58Z)
• Machine Learning-Based Reconstruction for Resistive Silicon Sensors [53.365453214937496]
  抵抗型シリコンセンサの機械学習による再構成と圧縮について検討した。 相関パッドからのフルウェーブフォーム情報を用いて、再構成を規則化し、空間情報を抽出する。 まず、LSTM層に基づくリカレントニューラルネットワークモデルを紹介し、フルウェーブフォーム再構成のための概念実証実装を提供する。
  論文  参考訳（メタデータ） (2026-07-13T14:03:26Z)
• 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)
• EventShiftFlow: Towards Hardware-efficient FPGA-based Flow Estimation [43.77587889970362]
  イベントベースの視覚センサは、非同期で高時間分解能の測定を提供する。 多くの事象に基づく動き推定法は計算集約的であり、FPGAハードウェアにマップすることは困難である。 本稿では,非同期イベントを固定時間ビンに離散化し,1ビット空間占有格子を構築し,複数の速度仮説を並列に評価するストリーミング速度推定器を提案する。
  論文  参考訳（メタデータ） (2026-05-27T11:13:58Z)
• LUT-Compiled Kolmogorov-Arnold Networks for Lightweight DoS Detection on IoT Edge Devices [20.271194684947282]
  Kolmogorov-Arnold Networks (KAN) は、MLP(Multi-Layer Perceptrons)に代わるコンパクトな代替品を提供する。 B-spline評価は、レイテンシクリティカルなIoTアプリケーションには適さない、大幅な計算オーバーヘッドをもたらす。 本稿では,高価なスプライン計算を事前計算した量子テーブルに置き換えるルックアップテーブル(LUT)コンパイルパイプラインを提案する。
  論文  参考訳（メタデータ） (2026-01-12T22:32:18Z)
• Noise-Adaptive Quantum Circuit Mapping for Multi-Chip NISQ Systems via Deep Reinforcement Learning [0.0]
  本稿では,双方向長短期記憶に基づく動的雑音適応ネットワークを統合した深層強化学習フレームワークDeepQMapを提案する。 本手法は,量子系の動作の時間的表現を学習することで,ハードウェアのダイナミクスに継続的に適応する。 DeepQMapは平均回路忠実度が0.920 pm 0.023$であり、最先端のQUBO法よりも統計的に49.3%向上している。
  論文  参考訳（メタデータ） (2025-11-22T14:27:55Z)
• QUILL: An Algorithm-Architecture Co-Design for Cache-Local Deformable Attention [12.542462936966844]
  QUILLはスケジュール対応のアクセラレータで、変形可能な注意をキャッシュフレンドリでシングルパスの作業に変換する。 融合したMSDeformAttnエンジンは、中間体をこぼすことなく1回のパスで、ソフトマックス、アグリゲーション、最終的なプロジェクション(W'm)を実行する。
  論文  参考訳（メタデータ） (2025-11-17T18:34:04Z)
• Tensor Decomposition Networks for Fast Machine Learning Interatomic Potential Computations [48.46721044282335]
  テンソル分解ネットワーク(TDN)は、計算処理の劇的な高速化と競合する性能を実現する。 1億5500万のDFT計算スナップショットを含む分子緩和データセットPubChemQCRのTDNを評価した。 その結果,TDNは計算処理の劇的な高速化と競合する性能を示した。
  論文  参考訳（メタデータ） (2025-07-01T18:46:27Z)
• InfiniteHBD: Building Datacenter-Scale High-Bandwidth Domain for LLM with Optical Circuit Switching Transceivers [37.89954553921228]
  HBD(High-Bandwidth Domains)は、並列処理のような通信集約型並列処理において重要である。 スイッチ中心のHBDはスケールコストを禁ずるが、GPU中心のHBDは深刻な障害伝播に悩まされる。 本稿では,トランシーバレベルにおける接続性と動的スイッチングを統合した,トランシーバ中心のHBDアーキテクチャであるInfiniteHBDを提案する。
  論文  参考訳（メタデータ） (2025-02-06T09:01:24Z)
• DynaSplit: A Hardware-Software Co-Design Framework for Energy-Aware Inference on Edge [40.96858640950632]
  ソフトウェアとハードウェアの両方でパラメータを動的に設定するフレームワークであるDynaSplitを提案する。 実世界のテストベッド上で、人気のあるトレーニング済みNNを用いてDynaSplitを評価する。 その結果,クラウドのみの計算に比べてエネルギー消費が最大で72%減少した。
  論文  参考訳（メタデータ） (2024-10-31T12:44:07Z)
• 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)
• FastFlowNet: A Lightweight Network for Fast Optical Flow Estimation [81.76975488010213]
  ディセンス光学フロー推定は、多くのロボットビジョンタスクで重要な役割を果たしています。 現在のネットワークはしばしば多くのパラメータを占有し、計算コストがかかる。 提案したFastFlowNetは、周知の粗大なやり方で、以下のイノベーションで機能する。
  論文  参考訳（メタデータ） (2021-03-08T03:09:37Z)

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。