論文の概要: Explainable Machine Learning for Multilayer Planar Winding Inductance Estimation

• arxiv url: http://arxiv.org/abs/2609.37211v1
• Date: Tue, 29 Sep 2026 10:28:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.420579
• Title: Explainable Machine Learning for Multilayer Planar Winding Inductance Estimation
• Title（参考訳）: 多層平面巻線インダクタンス推定のための説明可能な機械学習
• Abstract要約: 多層長方形平面巻線に対する高速かつ正確な自己インダクタンス推定は、現代の高周波電力変換器にとって不可欠である。 本稿では、ポストホックな特徴属性を統一した説明可能な機械学習フレームワークを提案する。 SR-KAN式は8.22%の強いOOD相対誤差を達成する。
• 参考スコア（独自算出の注目度）: 4.725935825821886
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Rapid and accurate self-inductance estimation for multilayer rectangle-shaped planar windings is essential for modern high-frequency power converters, yet traditional workflows rely on complex mathematical equations, rigid monomial formulas or unexplainable black-box machine learning (ML) models that degrade severely outside their training domain. This paper introduces an explainable ML framework unifying post-hoc feature attribution (SHAP and permutation importance) with Kolmogorov-Arnold Network-guided symbolic regression via the SR-KAN framework to discover closed-form analytical equations without prior structural assumptions. Evaluated on a new open-source dataset of over 10,000 Finite Element Analysis (FEA) simulations across seven out-of-distribution (OOD) classes, standard tree-based ensembles exhibit severe extrapolation errors (> 36%), whereas the unconstrained SR-KAN expression achieves a robust OOD relative error of 8.22%. Experimental verification across 55 physical printed circuit board prototypes (up to 8 layers, with inductances from 4.11 μH to 559.27 μH) confirms that the KAN-discovered expression translates effectively to real-world hardware, predicting inductance with a mean absolute relative error of 6.26%. To support reproducible research, the complete FEA simulation dataset and prototype measurements are released open-source.
• Abstract（参考訳）: 多層長方形平面巻線に対する迅速かつ正確な自己インダクタンス推定は、現代の高周波電力変換器には不可欠であるが、従来のワークフローは複雑な数学的方程式、厳密な単項式、説明不能なブラックボックス機械学習(ML)モデルに頼っている。 本稿では, SR-KAN フレームワークを用いて, ポストホック特徴属性(SHAP, permutation importance)とKolmogorov-Arnold Network 誘導シンボル回帰(英語版)を統合化して, 事前の構造仮定を伴わずに閉形式解析方程式を発見するための説明可能なMLフレームワークを提案する。 新しいオープンソースデータセットである1万以上の有限要素解析(FEA)シミュレーションを、7つのアウト・オブ・ディストリビューション(OOD)クラスで評価し、標準ツリーベースのアンサンブルは厳しい外挿誤差(>36%)を示す一方、制約のないSR-KAN式は8.22%の強いOOD相対誤差を達成する。 55の物理プリント基板プロトタイプ(最大8層、インダクタンス4.11μHから559.27μH)で実験的に検証した結果、カンが発見した式が現実世界のハードウェアに効果的に変換され、平均的な絶対相対誤差6.26%でインダクタンスを予測することが確認された。 再現可能な研究を支援するため、完全なFEAシミュレーションデータセットとプロトタイプ測定がオープンソースとしてリリースされた。

関連論文リスト

• Transolver-$σ$: Joint Spectral-Physical Subspace Modeling for Neural PDE Solving [53.58729034895666]
  Transolver-$は、結合スペクトル-物理部分空間モデリングに基づくニューラルPDEソルバである。 平均的な相対誤差を33.4%減らし、各基準に対して最強の基準線を上回り、最先端を達成している。
  論文  参考訳（メタデータ） (2026-09-29T11:24:19Z)
• Influence-Guided Symbolic Regression: Scientific Discovery via LLM-Driven Equation Search with Granular Feedback [56.69850045068714]
  逐次的2段階プロセスとして方程式発見をフレーム化する方法である textitInfluence-Guided Regression (IGSR) を導入する。 LLM-SRBench, 薬理学的PKPDモデル, 疫学シミュレーション, 実世界のゲノムデータなど, IGSRの有効性を示す。
  論文  参考訳（メタデータ） (2026-05-27T23:48:01Z)
• High-fidelity Modeling of Full-scale Pressurized Water Reactor Flow Fields for Machine Learning Applications [3.8347851078346427]
  本研究は, 加圧水型原子炉における高忠実度計算流体力学(CFD)および組立レベル流動特性評価のためのデータ駆動モデリングフレームワークを提案する。 ポンプ誘起スワール境界条件による過渡的シミュレーションを可能にするために, 一般に利用可能な幾何学的条件と操作条件を用いて, フルロープルおよびコア・インレット領域を構築した。 その結果, コールドレッグスワールおよびロウアープレナム輸送は, 特に下部コア付近において, 組立方向のインレットフロー分布を強く均一に生成することがわかった。 3次元畳み込み型塗装モデルによる部分観察による組立レベル質量流量の復元に成功した
  論文  参考訳（メタデータ） (2026-05-23T22:50:23Z)
• Intelligent Materials Modelling: Large Language Models Versus Partial Least Squares Regression for Predicting Polysulfone Membrane Mechanical Performance [0.0]
  本研究では, 4つの大言語モデル(LLM)を用いて, 部分最小二乗回帰(PLS)に対する知識駆動推論のベンチマークを行った。 LLMはブートストラップ不安定下での非線形で制約に敏感な特性に優れる。 実証された相補性は、解釈可能なフレームワーク内でLLM符号化された知識を活用するハイブリッドアーキテクチャは、小さなデータ素材の発見を最適化する可能性があることを示唆している。
  論文  参考訳（メタデータ） (2026-03-14T08:36:28Z)
• Robust Machine Learning Framework for Reliable Discovery of High-Performance Half-Heusler Thermoelectrics [0.0]
  機械学習(ML)は、環境危機に対処するための効率的な熱電(TE)材料発見を促進する。 MLモデルは、高いメトリクスにもかかわらず、しばしば実験的な一般化性に悩まされる。 本研究は、半ハウスラー(hH)構造プロトタイプに適用した頑健なワークフローを有益(zT)予測に適用する。
  論文  参考訳（メタデータ） (2026-02-01T10:50:42Z)
• From Memorization to Creativity: LLM as a Designer of Novel Neural-Architectures [48.83701310501069]
  大規模言語モデル(LLM)は、プログラム合成において優れているが、ニューラルネットワーク設計(信頼性、性能、構造的ノベルティ)を自律的にナビゲートする能力は、未調査のままである。 コード指向LLMをクローズドループ合成フレームワークに配置し、22の教師付き微調整サイクルの進化を解析することによって、この問題に対処する。
  論文  参考訳（メタデータ） (2026-01-06T13:20:28Z)
• 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)
• DARWIN 1.5: Large Language Models as Materials Science Adapted Learners [46.7259033847682]
  DARWIN 1.5は,材料科学に適したオープンソースの大規模言語モデルである。 DARWINはタスク固有の記述子の必要性を排除し、材料特性の予測と発見に対する柔軟な統一的なアプローチを可能にする。 提案手法は,6Mの物質ドメイン論文と49,256の物質から得られた21の実験データセットを統合し,タスク間の知識伝達を可能にする。
  論文  参考訳（メタデータ） (2024-12-16T16:51:27Z)
• An Efficient Hierarchical Preconditioner-Learner Architecture for Reconstructing Multi-scale Basis Functions of High-dimensional Subsurface Fluid Flow [4.303037819686676]
  本研究では,高次元地下流れの多次元基底関数を再構築した効率的な階層型プレコンディショナー・ラーナーアーキテクチャを提案する。 FP-HMsNetは、MSEが0.0036、MAEが0.0375、R2が0.9716に達し、既存のモデルよりも大幅に優れていた。 このモデルは、より複雑な現実世界の応用に期待できる、効率的で正確な地下流動モデリングのための新しい方法を提供する。
  論文  参考訳（メタデータ） (2024-11-01T09:17:08Z)
• Machine-Learning Prediction of the Computed Band Gaps of Double Perovskite Materials [3.2798940914359056]
  機能性材料の電子構造の予測は新しい装置の工学に不可欠である。 本研究では,2重ペロブスカイト材料の電子構造を機械学習で予測する。 この結果は,期待できる機能材料を迅速にスクリーニングするために,機械学習による回帰の可能性を実証するという意味で重要である。
  論文  参考訳（メタデータ） (2023-01-04T08:19:18Z)

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。