論文の概要: FDTD Model of Noise Pollution from an AI Data Center

• arxiv url: http://arxiv.org/abs/2610.14899v1
• Date: Sat, 10 Oct 2026 13:21:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 11:10:05.631896
• Title: FDTD Model of Noise Pollution from an AI Data Center
• Title（参考訳）: AIデータセンターからの騒音汚染のFDTDモデル
• Abstract要約: 騒音汚染は住民にとって関心事であり、単に不快なだけでなく、健康への影響も大きい。 地形は騒音汚染のレベルにおいて大きな役割を果たしており、AIデータセンターの近くの川の両側で突然の標高の領域は高い騒音レベルの影響を受けやすい。 トポグラフィーが騒音汚染に果たす役割を理解し、特定のトポグラフィーにおける騒音汚染を捉えることは、ノイズ緩和戦略が最も適した分野を特定するのに役立つ。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: The sudden growth in AI data centers is raising numerous environmental concerns. Low-frequency noise pollution is a concern for local residents, that may not just be an annoyance but also carry significant health impacts. An FDTD model of sound propagation over the topography near an AI data center is presented. The topography plays a large role in the level of noise pollution, with areas of sudden elevation on either side of the river near the AI data center more susceptible to high noise levels, while areas further afield largely protected from noise pollution by the topography. Understanding the role that topography plays in noise pollution, and capturing the noise pollution in specific topographies, can help identify areas where noise mitigation strategies might be best employed.
• Abstract（参考訳）: AIデータセンターの急激な成長は、多くの環境問題を引き起こしている。 低周波騒音汚染は、住民にとって関心事であり、単に不快なだけでなく、健康への影響も大きい。 AIデータセンタ近傍の地形上での音波伝搬のFDTDモデルについて述べる。 地形は騒音汚染のレベルにおいて大きな役割を果たしており、AIデータセンターに近い川の両岸の急激な標高の地域は高い騒音レベルの影響を受けやすい。 トポグラフィーが騒音汚染に果たす役割を理解し、特定のトポグラフィーにおける騒音汚染を捉えることは、ノイズ緩和戦略が最も適した分野を特定するのに役立つ。

関連論文リスト

• LoRaWAN Based Dynamic Noise Mapping with Machine Learning for Urban Noise Enforcement [8.010966370223985]
  広域にわたる長期騒音レベルを示す静的騒音マップは、自治体にとって貴重な都市計画資産である。 過渡的な振る舞いを頻繁に訴える非交通ノイズ源は、通常静的マップによって無視される。 本稿では,低消費電力広帯域ネットワーク(LPWAN)ベースのモノのインターネット(IoT)インフラストラクチャを用いて収集したデータを用いた動的ノイズマッピング手法を提案する。
  論文  参考訳（メタデータ） (2024-07-30T21:40:12Z)
• Quantifying Noise of Dynamic Vision Sensor [49.665407116447454]
  動的視覚センサ(DVS)は、大量のバックグラウンドアクティビティ(BA)ノイズによって特徴付けられる。 標準的な画像処理技術を用いて,ノイズとクリーン化センサ信号とを区別することは困難である。 Detrended Fluctuation Analysis (DFA) から得られたBAノイズを特徴付ける新しい手法が提案されている。
  論文  参考訳（メタデータ） (2024-04-02T13:43:08Z)
• Using construction waste hauling trucks' GPS data to classify earthwork-related locations: A Chengdu case study [8.065039038112346]
  アースワーク関連地域(ERL)は、都市ごみ汚染の主な原因である(粒子状物質)。 本研究は,16,000台以上の建設廃棄物運搬トラック(CWHT)のGPSトラジェクトリデータを用いた都市ERLの識別と分類を目的とする。 いくつかの機械学習モデルを比較し,中国成都市における実世界データを用いた分類性能に及ぼす時空間的特徴の影響を検討した。
  論文  参考訳（メタデータ） (2024-02-22T16:50:32Z)
• Mitigating Source and Detection Noises in Auto-correlative Weak-Value Amplification [2.0914519816028356]
  自動相関弱値増幅(AWVA)は,レーザパワー変動と検出ノイズの両方を抑制することを示す。 AWVAは、高出力レーザーノイズが支配される状態と光子スターベッド状態の両方の精度を向上させる。
  論文  参考訳（メタデータ） (2022-09-26T14:34:42Z)
• Urban Rhapsody: Large-scale exploration of urban soundscapes [12.997538969557649]
  騒音は都市環境の主要な品質問題の一つである。 環境騒音レベルを高時間分解能で監視するために、低コストのセンサーを配置することができる。 それらが生成するデータの量とデータの複雑さは、重要な分析上の課題を生じさせる。 本稿では,最先端の音声表現,機械学習,視覚分析を組み合わせたフレームワークであるUrban Rhapsodyを提案する。
  論文  参考訳（メタデータ） (2022-05-25T22:02:36Z)
• Learning to Generate Realistic Noisy Images via Pixel-level Noise-aware Adversarial Training [50.018580462619425]
  我々は,PNGAN(Pixel-level Noise-aware Generative Adrial Network)という新しいフレームワークを提案する。 PNGANは、トレーニング済みのリアルデノイザーを使用して、フェイク画像とリアルノイズ画像をほぼノイズのないソリューション空間にマッピングする。 より優れたノイズフィッティングを実現するため,ジェネレータとしてSimple Multi-versa-scale Network (SMNet) を提案する。
  論文  参考訳（メタデータ） (2022-04-06T14:09:02Z)
• Towards Adversarially Robust Deep Image Denoising [199.2458715635285]
  本研究は,ディープ・イメージ・デノイザ(DID)の対角的ロバスト性について系統的に検討する。 本稿では,観測に基づくゼロ平均アタック(sc ObsAtk)という新たな敵攻撃を提案する。 DIDを頑健化するために,DIDと非対向雑音データとを併用したハイブリッド対向訓練(sc HAT)を提案する。
  論文  参考訳（メタデータ） (2022-01-12T10:23:14Z)
• Rethinking Noise Synthesis and Modeling in Raw Denoising [75.55136662685341]
  センサの実際の雑音を直接サンプリングすることで、ノイズを合成する新しい視点を導入する。 それは本質的に、異なるカメラセンサーに対して正確な生画像ノイズを発生させる。
  論文  参考訳（メタデータ） (2021-10-10T10:45:24Z)
• Adaptive noise imitation for image denoising [58.21456707617451]
  本研究では,自然雑音画像からノイズデータを合成できる新しいテキストバッファ適応ノイズ模倣(ADANI)アルゴリズムを開発した。 現実的なノイズを生成するため、ノイズ発生装置はノイズ発生のガイドとなる雑音/クリーン画像を入力として利用する。 ADANIから出力されるノイズデータとそれに対応する基盤構造とを結合すると、デノイングCNNは、完全に教師された方法で訓練される。
  論文  参考訳（メタデータ） (2020-11-30T02:49:36Z)

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。