論文の概要: Model-Based Machine Learning for Joint Digital Backpropagation and PMD
Compensation
- arxiv url: http://arxiv.org/abs/2001.09277v1
- Date: Sat, 25 Jan 2020 08:33:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-07 00:07:45.895078
- Title: Model-Based Machine Learning for Joint Digital Backpropagation and PMD
Compensation
- Title(参考訳): デジタルバックプロパゲーションとpmd補償のためのモデルベース機械学習
- Authors: Christian H\"ager, Henry D. Pfister, Rick M. B\"utler, Gabriele Liga,
Alex Alvarado
- Abstract要約: マナコフ-PMD方程式の分割ステップ法をパラメータ化することにより、偏極多重系に対するモデルベース機械学習手法を提案する。
このアプローチは、ハードウェアフレンドリーなDBPと分散PMD補償を、PMDフリーケースに近い性能で実行する。
- 参考スコア(独自算出の注目度): 10.119875242641207
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a model-based machine-learning approach for
polarization-multiplexed systems by parameterizing the split-step method for
the Manakov-PMD equation. This approach performs hardware-friendly DBP and
distributed PMD compensation with performance close to the PMD-free case.
- Abstract(参考訳): マナコフ-pmd方程式の分割ステップ法をパラメータ化することで偏波多重化システムに対するモデルベース機械学習手法を提案する。
このアプローチは、ハードウェアフレンドリーなDBPと分散PMD補償を、PMDフリーケースに近い性能で実行する。
関連論文リスト
- EM Distillation for One-step Diffusion Models [65.57766773137068]
最小品質の損失を最小限に抑えた1ステップ生成モデルに拡散モデルを蒸留する最大可能性に基づく手法を提案する。
本研究では, 蒸留プロセスの安定化を図るため, 再パラメータ化サンプリング手法とノイズキャンセリング手法を開発した。
論文 参考訳(メタデータ) (2024-05-27T05:55:22Z) - Variational Approach for Efficient KL Divergence Estimation in Dirichlet Mixture Models [0.0]
本研究は, ディリクレ混合モデル(DMM)におけるクルバック・リブラー(KL)の多様性の効率的な推定に挑戦する。
従来のアプローチはモンテカルロ法を計算的に要求することに依存しており、新しい変分法の導入を動機付けていた。
論文 参考訳(メタデータ) (2024-03-18T18:14:54Z) - Data-driven Nonlinear Model Reduction using Koopman Theory: Integrated
Control Form and NMPC Case Study [56.283944756315066]
そこで本研究では,遅延座標符号化と全状態復号化を組み合わせた汎用モデル構造を提案し,Koopmanモデリングと状態推定を統合した。
ケーススタディでは,本手法が正確な制御モデルを提供し,高純度極低温蒸留塔のリアルタイム非線形予測制御を可能にすることを実証している。
論文 参考訳(メタデータ) (2024-01-09T11:54:54Z) - Learning Energy-Based Models by Cooperative Diffusion Recovery Likelihood [64.95663299945171]
高次元データに基づくエネルギーベースモデル(EBM)の訓練は、困難かつ時間を要する可能性がある。
EBMと、GANや拡散モデルのような他の生成フレームワークとの間には、サンプル品質に顕著なギャップがある。
本研究では,協調拡散回復可能性 (CDRL) を提案する。
論文 参考訳(メタデータ) (2023-09-10T22:05:24Z) - AdjointDPM: Adjoint Sensitivity Method for Gradient Backpropagation of Diffusion Probabilistic Models [103.41269503488546]
既存のカスタマイズ方法は、事前訓練された拡散確率モデルをユーザが提供する概念に合わせるために、複数の参照例にアクセスする必要がある。
本論文は、DPMカスタマイズの課題として、生成コンテンツ上で定義された差別化可能な指標が唯一利用可能な監督基準である場合に解決することを目的とする。
本稿では,拡散モデルから新しいサンプルを初めて生成するAdjointDPMを提案する。
次に、随伴感度法を用いて、損失の勾配をモデルのパラメータにバックプロパゲートする。
論文 参考訳(メタデータ) (2023-07-20T09:06:21Z) - Predictable MDP Abstraction for Unsupervised Model-Based RL [93.91375268580806]
予測可能なMDP抽象化(PMA)を提案する。
元のMDPで予測モデルを訓練する代わりに、学習されたアクション空間を持つ変換MDPでモデルを訓練する。
我々はPMAを理論的に解析し、PMAが以前の教師なしモデルベースRLアプローチよりも大幅に改善することを示す。
論文 参考訳(メタデータ) (2023-02-08T07:37:51Z) - System Resilience through Health Monitoring and Reconfiguration [56.448036299746285]
人為的なシステムのレジリエンスを、予期せぬ事象に対して向上させるためのエンドツーエンドのフレームワークを実証する。
このフレームワークは物理ベースのデジタルツインモデルと,リアルタイム故障診断,予後,再構成を行う3つのモジュールに基づいている。
論文 参考訳(メタデータ) (2022-08-30T20:16:17Z) - Universal Prony fitting decomposition for optimized hierarchical quantum
master equations [9.385683681088087]
本研究では,プロニーフィッティング分解法(PFD)を高精度かつ効率的な指数級数法として提案する。
結果として生じる階層的な運動方程式(HEOM)は、特に極低温状態において非常に最適化されている。
実演では、パドスペクトル分解法に対して現在のPFDを校正し、続いて単一不純物アンダーソンモデルシステム上でのHEOM評価を収束させる。
論文 参考訳(メタデータ) (2022-04-14T10:55:39Z) - Deep Learning Explicit Differentiable Predictive Control Laws for
Buildings [1.4121977037543585]
未知の非線形システムに対する制約付き制御法を学習するための微分予測制御(DPC)手法を提案する。
DPCは、明示的非線形モデル予測制御(MPC)から生じるマルチパラメトリックプログラミング問題に対する近似解を提供する
論文 参考訳(メタデータ) (2021-07-25T16:47:57Z) - Model-Based Machine Learning for Joint Digital Backpropagation and PMD
Compensation [10.119875242641207]
最近提案された学習デジタルバックプロパゲーション(LDBP)と分極モード分散(PMD)の分散補償を組み合わせたハードウェアフレンドリーな時間領域非線形性緩和法
LDBP-PMD を複数の PMD 実現に向けて訓練し,最大 dB 性能の 1% 以内に収束することを示す。
実用システムにおける最先端のラッピングPMD補償アルゴリズムと同様に、我々の手法は、リンクに沿った特定のMDD実現に関する知識や、蓄積されたPMDに関する知識を前提としない。
論文 参考訳(メタデータ) (2020-10-23T11:37:35Z)
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。