From Graph Theory to Graph Neural Networks (GNNs): The Opportunities of GNNs in Power Electronics
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Graph theory within power electronics, developed over a 50-year span, is continually evolving, necessitating ongoing research endeavors. Facing with the never-been-seen explosion of graph-structured data, the state-of-the-art deep learning technique-Graph Neural Networks (GNNs), becomes the leading trend in machine learning within just recent five years and demonstrated surprisingly broad and prominent benefits covering from new drug discovery to better IC design. However, its promising applications in Power Electronics are still rarely discussed and its full potential remains unexplored. Addressing this gap, this review paper is the first to outline GNNs’ general workflow in power electronics, laying the groundwork and examining current GNN methodologies within the field. To bridge the gap in the sparse GNN literature within this domain, we also provide extended discussions on leveraging insights from GNN-aided circuit design to enrich power electronics research. Our work includes in-depth GNN-based case studies that demonstrate promising applications from converters to system-level power electronics, showcasing GNNs’ unique benefits and untapped possibilities (e.g., accurate component design, voltage predictions on IEEE-13 bus and 118 bus systems). Additionally, we provide a comprehensive survey of GNNs’ latest and successful applications, emphasizing their impact on energy-centric sectors, such as transportation electrification, smart grids. Considering the interdisciplinary nature of power electronics in modern energy systems, our review highlights the potential of GNNs emerge as a promising tool to decode the intricate behavior and dynamics of power electronics systems, and we hope such synergies between advanced AI methodologies like GNNs with the ever-evolving graph theory can lead to more powerful tools, novel methodologies, and advancements in the power electronics community.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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