論文の概要: Sequential Learning-Based Physics-Informed Neural Network Modeling for Parameter Estimation on a Power Converter

• arxiv url: http://arxiv.org/abs/2610.20041v1
• Date: Wed, 14 Oct 2026 11:48:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.128493
• Title: Sequential Learning-Based Physics-Informed Neural Network Modeling for Parameter Estimation on a Power Converter
• Title（参考訳）: 逐次学習に基づく物理インフォームドニューラルネットワークによる電力変換器のパラメータ推定
• Abstract要約: 時間領域データから直流バックコンバータのインダクタンス,容量,寄生抵抗を同定するために,段階的物理情報ニューラルネットワーク(PINN)を提案する。 5段階のスケジュールでは、LとCは5%以内、ESRは10%に回復し、3段階のバリエーションは同じ精度で11%高速化される。 84の因子スイープにより、トレーニングされたPINNは4つのコンポーネントの同時8%の摂動に対して正確であり、5msで2.6 x 10-2の波形RMSEを達成することが確認された。
• 参考スコア（独自算出の注目度）: 0.8099700053397276
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A staged physics-informed neural network (PINN) is proposed for identifying the inductance, capacitance and parasitic resistances of a DC buck converter from time-domain data. Gradients are released in the order of L to C to rL to rC, a sequence derived from sensitivity analysis. The five-stage schedule recovers L and C to within 5% and the series ESR to 10%, while a three-stage variant attains the same accuracy 11% faster. An 84 factorial sweep confirms that the trained PINN remains accurate for simultaneous 8% perturbations of all four components, achieving a waveform RMSE of 2.6 x 10-2 over 5 ms-an order-of-magnitude better than a simultaneous-training baseline.
• Abstract（参考訳）: 時間領域データから直流バックコンバータのインダクタンス,容量,寄生抵抗を同定するために,段階的物理情報ニューラルネットワーク(PINN)を提案する。 勾配はLからC、rL、rCの順に放出される。 5段階のスケジュールでは、LとCは5%以内、ESRは10%に回復し、3段階のバリエーションは同じ精度で11%高速化される。 84の因子スイープは、トレーニングされたPINNが4つのコンポーネントの同時8%の摂動に対して正確であることを確認し、同時にトレーニングされたベースラインよりも5msで2.6 x 10-2の波形RMSEを達成する。

関連論文リスト

• Can the Quantum Fisher Effective Dimension Judge a Hybrid Quantum Neural Network? [5.7936465618571695]
  ハイブリッド量子ニューラルネットワーク(QNN)は、古典的な特徴抽出器と変分量子回路を結合する。 回路の量子フィッシャー情報行列(QFIM)の有効次元は、そのようなモデルを評価するために広く用いられている。 有効次元を1とパラメータ数との間にあるQFIM対角線の参加比として定義する。
  論文  参考訳（メタデータ） (2026-10-07T21:38:19Z)
• SS-ESOAP: Self-Scaled Adaptive Preconditioning for Physics-Informed Learning [70.71795707610961]
  メソッドは、Kronecker幾何に適応したスカラーセマントエネルギー補正でSOAPスタイルのプレコンディショニングを強化する。 メソッドは8つのPDEベンチマークのうち6つで最下位の残差に達する。 4つの代表PDEの3列の$L2$と$H1$エラーは、低い残差と改善された解精度の間のリンクをサポートする。
  論文  参考訳（メタデータ） (2026-08-29T21:34:47Z)
• How Much Capacity Does EEG Denoising Need? Ultra-Compact Networks reveal Benchmark Saturation and Metric-Utility Gap [0.0]
  深層学習EEG(Deep Learning EEG Denoising Architectures)は、数万から数千万のパラメータに拡張されているが、実験変数としてモデルキャパシティを分離した以前の研究はない。 アーキテクチャ,損失,データ分割,トレーニングレシピの両ギャップに対処し,最小限の深さ分離可能な畳み込みU-Netで1.05Kから40.26Kパラメータまでのチャネル幅を網羅する。
  論文  参考訳（メタデータ） (2026-06-07T12:17:25Z)
• LiQSS: Post-Transformer Linear Quantum-Inspired State-Space Tensor Networks for Real-Time 6G [85.58816960936069]
  Sixth-Generation (6G) Open Radio Access Networks (O-RAN) における能動的およびエージェント的制御は、厳密なニアタイム(Near-RT)レイテンシと計算制約の下で制御グレードの予測を必要とする。 本稿では,効率的な無線テレメトリ予測のための変圧器後パラダイムについて検討する。 本稿では、自己アテンションを安定な状態空間動的カーネルに置き換える量子インスピレーション付き状態空間テンソルネットワークを提案する。
  論文  参考訳（メタデータ） (2026-01-18T12:08:38Z)
• Re-FORC: Adaptive Reward Prediction for Efficient Chain-of-Thought Reasoning [85.76121000710522]
  適応型報酬予測法であるRe-FORCを提案する。 将来の思考トークン数の関数として期待される未来の報酬を予測することができる。
  論文  参考訳（メタデータ） (2025-11-03T23:47:49Z)
• IMAGINE: An 8-to-1b 22nm FD-SOI Compute-In-Memory CNN Accelerator With an End-to-End Analog Charge-Based 0.15-8POPS/W Macro Featuring Distribution-Aware Data Reshaping [0.6071203743728119]
  作業負荷適応型1-to-8b CIM-CNNアクセラレータであるIMAGINEを22nm FD-SOIで紹介する。 1152x256のエンドツーエンドのチャージベースマクロと、パワーハングリーDACを回避する入力シリアル、ウェイトパラレルの蓄積に基づくマルチビットDPを導入している。 測定結果は、MNISTとCIFAR-10の競争力を持つ、0.3/0.6Vで40TOPS/Wの8b系レベルのエネルギー効率を示す。
  論文  参考訳（メタデータ） (2024-12-27T17:18:15Z)
• A Pipelined Memristive Neural Network Analog-to-Digital Converter [0.24578723416255754]
  本稿では,4ビットコンバータのパイプラインに基づくスケーラブルでモジュール化されたニューラルネットワークADCアーキテクチャを提案する。 8ビットパイプライン ADC は 0.18 LSB INL, 0.20 LSB DNL, 7.6 ENOB, 0.97 fJ/conv FOM を達成する。
  論文  参考訳（メタデータ） (2024-06-04T10:51:12Z)
• Bayesian Neural Network Language Modeling for Speech Recognition [59.681758762712754]
  長期記憶リカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端のニューラルネットワーク言語モデル(NNLM)は非常に複雑になりつつある。 本稿では,LSTM-RNN と Transformer LM の基盤となる不確実性を考慮するために,ベイズ学習フレームワークの全体構造を提案する。
  論文  参考訳（メタデータ） (2022-08-28T17:50:19Z)
• Mixed Precision Low-bit Quantization of Neural Network Language Models for Speech Recognition [67.95996816744251]
  長期間のメモリリカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端言語モデル(LM)は、実用アプリケーションではますます複雑で高価なものになりつつある。 現在の量子化法は、均一な精度に基づいており、量子化誤差に対するLMの異なる部分での様々な性能感度を考慮できない。 本稿では,新しい混合精度ニューラルネットワークLM量子化法を提案する。
  論文  参考訳（メタデータ） (2021-11-29T12:24:02Z)

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。