論文の概要: Inverse design of multilayer nanoparticles using artificial neural networks and genetic algorithm

• arxiv url: http://arxiv.org/abs/2003.08356v1
• Date: Mon, 16 Mar 2020 22:49:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-23 03:06:15.988077
• Title: Inverse design of multilayer nanoparticles using artificial neural networks and genetic algorithm
• Title（参考訳）: ニューラルネットワークと遺伝的アルゴリズムを用いた多層ナノ粒子の逆設計
• Authors: Cankun Qiu, Zhi Luo, Xia Wu, Huidong Yang, Bo Huang
• Abstract要約: 多層ナノ粒子のフォワードシミュレーションと逆設計法を提案する。 遺伝的アルゴリズムのグローバル検索能力とニューラルネットワークの局所探索能力を組み合わせる。 ここでは、この方法を簡単に拡張して、他の光学構造に対して最適な設計パラメータを予測し、見つけることができる。
• 参考スコア（独自算出の注目度）: 5.86168293123574
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The light scattering of multilayer nanoparticles can be solved by Maxwell equations. However, it is difficult to solve the inverse design of multilayer nanoparticles by using the traditional trial-and-error method. Here, we present a method for forward simulation and inverse design of multilayer nanoparticles. We combine the global search ability of genetic algorithm with the local search ability of neural network. First, the genetic algorithm is used to find a suitable solution, and then the neural network is used to fine-tune it. Due to the non-unique relationship between physical structures and optical responses, we first train a forward neural network, and then it is applied to the inverse design of multilayer nanoparticles. Not only here, this method can easily be extended to predict and find the best design parameters for other optical structures.
• Abstract（参考訳）: 多層ナノ粒子の光散乱はマクスウェル方程式によって解くことができる。 しかし,従来の試行錯誤法を用いて多層ナノ粒子の逆設計を解くことは困難である。 本稿では,多層ナノ粒子のフォワードシミュレーションと逆設計法を提案する。 遺伝的アルゴリズムのグローバル検索能力とニューラルネットワークのローカル検索能力を組み合わせた。 第一に、遺伝的アルゴリズムは適切な解を見つけるために使用され、次にニューラルネットワークを使用してそれを微調整する。 物理構造と光学応答の非特異性により、まず前方ニューラルネットワークを訓練し、次に多層ナノ粒子の逆設計に適用する。 ここでだけでなく、この手法は容易に拡張でき、他の光学構造の最適な設計パラメータを予測し、見つけることができる。

関連論文リスト

• Chebyshev Spectral Neural Networks for Solving Partial Differential Equations [0.0]
  この研究は、フィードフォワードニューラルネットワークモデルとエラーバックプロパゲーション原理を用いて、損失関数の計算に自動微分(AD)を利用する。 楕円偏微分方程式を用いて,CSNNモデルの数値効率と精度について検討し,よく知られた物理インフォームドニューラルネットワーク(PINN)法と比較した。
  論文  参考訳（メタデータ） (2024-06-06T05:31:45Z)
• Graph Neural Networks for Learning Equivariant Representations of Neural Networks [55.04145324152541]
  本稿では,ニューラルネットワークをパラメータの計算グラフとして表現することを提案する。 我々のアプローチは、ニューラルネットワークグラフを多種多様なアーキテクチャでエンコードする単一モデルを可能にする。 本稿では,暗黙的ニューラル表現の分類や編集など,幅広いタスクにおける本手法の有効性を示す。
  論文  参考訳（メタデータ） (2024-03-18T18:01:01Z)
• First Steps Towards a Runtime Analysis of Neuroevolution [2.07180164747172]
  進化的アルゴリズムは、単純な人工ニューラルネットワークの重みとアクティベーション機能を最適化する。 次に、ネットワークによって学習される単純な例関数を定義し、単一のニューロンを持つネットワークと、複数のニューロンと2つのレイヤを持つより高度な構造に対して厳密な実行時解析を行う。 その結果,提案アルゴリズムは1つのニューロンに対して設計された2つのサンプル問題に対して効率が良く,二層ネットワークのサンプル問題に対して少なくとも一定の確率で効率がよいことがわかった。
  論文  参考訳（メタデータ） (2023-07-03T07:30:58Z)
• Neural Functional Transformers [99.98750156515437]
  本稿では,ニューラルファンクショナルトランスフォーマー (NFT) と呼ばれる新しい変分同変量空間層を定義するために,アテンション機構を用いる。 NFTは重み空間の置換対称性を尊重し、注意の利点を取り入れ、複数の領域で顕著な成功を収めた。 Inr2Arrayは暗黙的ニューラル表現(INR)の重みから置換不変表現を計算する新しい方法である。
  論文  参考訳（メタデータ） (2023-05-22T23:38:27Z)
• Permutation Equivariant Neural Functionals [92.0667671999604]
  この研究は、他のニューラルネットワークの重みや勾配を処理できるニューラルネットワークの設計を研究する。 隠れた層状ニューロンには固有の順序がないため, 深いフィードフォワードネットワークの重みに生じる置換対称性に着目する。 実験の結果, 置換同変ニューラル関数は多種多様なタスクに対して有効であることがわかった。
  論文  参考訳（メタデータ） (2023-02-27T18:52:38Z)
• Towards Neural Variational Monte Carlo That Scales Linearly with System Size [67.09349921751341]
  量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。 量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。 ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
  論文  参考訳（メタデータ） (2022-12-21T19:00:04Z)
• Tackling Multimodal Device Distributions in Inverse Photonic Design using Invertible Neural Networks [0.0]
  逆設計は、デバイスまたはプロセスパラメータをマッチングして望ましい性能を示すプロセスである。 ほとんどの従来の最適化ルーチンは、設計パラメータと目標のパフォーマンスの間の可逆的な1対1マッピングを前提としています。 逆設計問題に対して、可逆ニューラルネットワークに基づく生成的モデリングアプローチが、可能解の完全な分布を提供する方法を示す。
  論文  参考訳（メタデータ） (2022-08-29T08:46:17Z)
• Modelling and optimization of nanovector synthesis for applications in drug delivery systems [0.0]
  レビューでは、薬物デリバリーシステムにおけるナノ粒子合成のための人工知能とメタヒューリスティックアルゴリズムの使用に焦点を当てている。 ニューラルネットワークは線形回帰アルゴリズムや応答面法よりもNVs特性のモデル化が優れている。 メタヒューリスティックアルゴリズムでは、ベンチマーク関数はカッコウ探索、ホタルアルゴリズム、遺伝的アルゴリズム、共生生物探索に最適化された。
  論文  参考訳（メタデータ） (2021-11-10T20:52:27Z)
• Gaussian boson sampling and multi-particle event optimization by machine learning in the quantum phase space [0.11421942894219898]
  量子位相空間における多体ガウス状態の特性関数を表現するためにニューラルネットワークを用いる。 自動微分によるボソンパターンの確率を計算する。 この結果は、量子技術のための新しいソースと複雑な回路の作成に潜在的に有用である。
  論文  参考訳（メタデータ） (2021-02-24T09:08:15Z)
• Variational Monte Carlo calculations of $\mathbf{A\leq 4}$ nuclei with an artificial neural-network correlator ansatz [62.997667081978825]
  光核の基底状態波動関数をモデル化するためのニューラルネットワーク量子状態アンサッツを導入する。 我々は、Aleq 4$核の結合エネルギーと点核密度を、上位のピオンレス実効場理論から生じるものとして計算する。
  論文  参考訳（メタデータ） (2020-07-28T14:52:28Z)
• Multipole Graph Neural Operator for Parametric Partial Differential Equations [57.90284928158383]
  物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。 線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。 実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
  論文  参考訳（メタデータ） (2020-06-16T21:56:22Z)

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。