MétaCan
Menu
Retour à la cohorte
Enregistrement W4386740377 · doi:10.1117/12.2692510

Tool for the computation of ISO 10110 metrics

2023· article· en· W4386740377 sur OpenAlexaff
Michel Doucet, Nathalie Blanchard

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomainePhysics and Astronomy
ThématiqueAdaptive optics and wavefront sensing
Établissements canadiensInstitut National d'Optique
Organismes subventionnairesnon disponible
Mots-clésAlgorithmMonte Carlo methodComputer scienceSurface (topology)GraphMathematicsTheoretical computer scienceGeometry

Résumé

récupéré en direct d'OpenAlex

The ISO-10110 metrics summarize in a few figures the gist of the form error of an optical surface. The values of a few ISO-10110 metrics are usually sufficient to tell if the optical elements are of adequate quality to allow the construction of an optical system with the desired performance. In the context of tolerance analysis, surface form deviations (SFD) are simulated by adding a random sum of generic surfaces on top of a nominal surface. A Matlab-based tool was created to convert the 2D continuous mathematical models of SFD into ISO-10110 metrics. The tool works directly on the raw data of the Monte-Carlo files produced by OpticsStudio during the tolerance analysis process. Not only ISO-10110 metrics are calculated by the tool, but also many mechanical metrics and other optical metrics. The entire set of metrics is calculated for all the surfaces, elements or groups and this for each of the Monte-Carlo optical configurations. Both rotationally symmetric and cylindrical surfaces can be processed by the tool. The calculation of the irregularities is done by a decomposition of the SFD functions into Zernike polynomials and bivariate Legendre polynomials respectively for rotationally symmetric and cylindrical surfaces. A bar graph is used to display all the results of a given type on a single graph. A distance correlation is implemented in the tool to help identify the worst sources of performance degradation. Therefore, the tool can also be used for the iterative tightening of the most significant tolerance operands during the entire tolerance analysis.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,013
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Logiciel · Signal consensuel: aucune
Score de désaccord entre enseignants0,086
Score d'incertitude au seuil0,288

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,013
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0030,002
Études des sciences et des technologies0,0010,001
Communication savante0,0030,002
Science ouverte0,0030,002
Intégrité de la recherche0,0010,003
Charge utile insuffisante (le modèle a refusé de juger)0,0860,033

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,033
Tête enseignante GPT0,283
Écart entre enseignants0,250 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreLogiciel

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetAdaptive optics and wavefront sensingTravaux en français237 207