Koneoppimista ja kvanttikoneoppimista elektroniikan suunnitteluun

Langattomat tehonsiirtojärjestelmät (WPT) siirtävät sähköenergiaa virtalähteestä kuormaan ilman fyysisiä liittimiä tai johtoja käyttäen sähkömagneettisia kenttiä.

Viime aikoina kuormasta riippumaton (LI) toiminta on herättänyt huomiota lähtöjännitteen pitämiseksi vakaana ja nollajännitekytkennän (ZVS) ylläpitämiseksi, vaikka kuorma muuttuisi. LI-toiminnan saavuttaminen vaatii kuitenkin erittäin tarkkoja piirikomponenttien arvoja, kuten induktoreita tai kondensaattoreita, jotka tyypillisesti lasketaan monimutkaisten analyyttisten yhtälöiden avulla. Nämä yhtälöt perustuvat usein idealisoituihin oletuksiin eivätkä kuvaa todellisia monimutkaisuuksia.

Näiden rajoitusten voittamiseksi ja tehonjakelun tehokkuuden parantamiseksi professori Hiroo Sekiyan johtama tutkimusryhmä Chiban yliopiston on ehdottanut koneoppimiseen perustuvaa suunnittelumenetelmää LI-WPT-järjestelmän suunnitteluun.

Tässä lähestymistavassa virransyöttöpiiriä kuvataan differentiaaliyhtälöillä, jotka kuvaavat jännitteiden ja virtojen kehitystä ajan kuluessa järjestelmässä ottaen huomioon komponenttien todelliset ominaisuudet. Nämä yhtälöt ratkaistaan sitten numeerisesti askel askeleelta, kunnes järjestelmä saavuttaa vakaan tilan.

Kuten professori Sekiya selittää: ” Loimme uuden suunnittelumenetelmän LI-WPT-järjestelmälle, joka saavuttaa vakion lähtöjännitteen ilman kuormituksen vaihteluiden säätöä. Uskomme, että kuormituksesta riippumattomuus on avainteknologia WPT-järjestelmien sosiaaliselle toteutukselle. Lisäksi tämä on ensimmäinen täysin numeerisen koneoppimiseen perustuvan suunnittelun onnistunut tulos tehoelektroniikan tutkimuksen alalla. ”

Varsinkin monimutkaisten puolijohteiden valmistusprosessien, kuten ohmisen kontaktin muodostumisen, mallintaminen on edelleen haastavaa erityisesti pienten dataotoksien skenaarioissa.

Australian kansallisen tiedeviraston CSIROn tiimi on tutkinut vaihtoehtona kvanttikoneoppimista (QML), jossa hyödynnetään vain viiden kubitin kvanttisimulaattoria.

Hyödyntäen vain 159 kokeellista GaN HEMT -näytettä he kehittivät (quantum kernel-aligned regressor) QKAR-algoritmin, jonka avulla toteuttivat kyseisten piirien ohmisen kontaktin muodostuksen mallinnusta.

Tulokset osoittivat, että QKAR suoriutuu johdonmukaisesti kaikkia CML-vastineita paremmin useilla arviointimittareilla ja saavutti keskimääräisen absoluuttisen virheen 0,338 Ω∙mm.

Toteutuksessa oli mukana myös vastaava klassinen regressori viimeistelemässä ennustetta. Tämä hybridimalli – kvanttipohjainen rajapinta, klassinen rajapinta – osoittautui optimaaliseksi ratkaisuksi.

Nämä havainnot osoittavat tutkimuksen mukaan QML:n potentiaalin käsitellä tehokkaasti korkeaulotteisia, pienen otoksen regressiotehtäviä puolijohdealoilla ja viittaavat lupaaviin mahdollisuuksiin sen käyttöönotolle tulevaisuuden reaalimaailman sovelluksissa kvanttilaitteiston edelleen kypsyessä.

Aiheesta aiemmin:

Kondensaattoreita vaikka mistä

Kvanttisimulaattori auttaa löytämään materiaaleja