論文の概要: Learning Unsplit-field-based PML for the FDTD Method by Deep Differentiable Forest

• arxiv url: http://arxiv.org/abs/2004.04815v1
• Date: Tue, 7 Apr 2020 10:05:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-16 00:33:23.881680
• Title: Learning Unsplit-field-based PML for the FDTD Method by Deep Differentiable Forest
• Title（参考訳）: FDTD法における深い分化可能な森林を用いた非分割フィールド型PMLの学習
• Authors: Yingshi Chen, Naixing Feng
• Abstract要約: 有限差分時間領域 (FDTD) に対するABC(un-split-filed-based boundary condition) のアプローチを, 深部微分可能な森林に基づいて効率的に提案する。 計算過程において、従来の完全整合層(PML)ABCを置き換えるために、Deep Differentiable Forest (DDF)モデルを導入する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Alternative unsplit-filed-based absorbing boundary condition (ABC) computation approach for the finite-difference time-domain (FDTD) is efficiently proposed based on the deep differentiable forest. The deep differentiable forest (DDF) model is introduced to replace the conventional perfectly matched layer (PML) ABC during the computation process of FDTD. The field component data on the interface of traditional PML are adopted to train the DDF-based PML model. DDF has the advantages of both trees and neural networks. Its tree structure is easy to use and explain for the numerical PML data. It has full differentiability like neural networks. DDF could be trained by powerful techniques from deep learning. So compared to the traditional PML implementation, the proposed method can greatly reduce the size of FDTD physical domain and the calculation complexity of FDTD due to the novel model which only involves the one-cell thickness of boundary layer. Numerical simulations have been carried out to benchmark the performance of the proposed approach. Numerical results illustrate that the proposed method can not only easily replace the traditional PML, but also be integrated into the FDTD computation process with satisfactory numerical accuracy and compatibility to the FDTD.
• Abstract（参考訳）: 有限差分時間領域(FDTD)に対するABC(Unsplit-filed-based absorbing boundary condition)の計算手法を,深い微分可能な森林に基づいて効率的に提案する。 FDTDの計算過程において、従来の完全整合層(PML)ABCを置き換えるために、DDFモデルを導入した。 DDFベースのPMLモデルをトレーニングするために、従来のPMLのインタフェース上のフィールドコンポーネントデータを採用する。 DDFは木とニューラルネットワークの両方の利点がある。 その木構造は容易に利用でき、数値pmlデータについて説明できる。 ニューラルネットワークのような完全な微分性を持つ。 DDFは深層学習の強力な技術で訓練することができる。 したがって,従来のpml実装と比較して,境界層の単細胞厚のみを含む新しいモデルにより,fdtd物理ドメインのサイズとfdtdの計算複雑性を大幅に低減することができる。 提案手法の性能をベンチマークするために, 数値シミュレーションを行った。 数値計算により,提案手法は従来のPMLを置き換えるだけでなく,FDTDの精度とFDTDとの整合性でFDTD計算プロセスに統合可能であることが示された。

関連論文リスト

• Truncated Polynomial Expansion-Based Detection in Massive MIMO: A Model-Driven Deep Learning Approach [1.104960878651584]
  我々は、Hermitian expansion(TPE)の逆計算を効率的に行うためのディープラーニング(DL)ベースのアプローチを提案する。 モデル駆動型アプローチでは、与えられたTPE項のオフライントレーニング手順において、TPEの係数を最適化する。 シミュレーションの結果,提案手法は収束速度の点で従来のTPE法よりも優れた性能を示すことがわかった。
  論文  参考訳（メタデータ） (2024-02-19T23:19:15Z)
• CMFDFormer: Transformer-based Copy-Move Forgery Detection with Continual Learning [52.72888626663642]
  コピーモーブ偽造検出は、疑わしい偽画像中の重複領域を検出することを目的としている。 深層学習に基づく複写偽造検出手法が最上位にある。 CMFDFormer という名称の Transformer-style copy-move forgery ネットワークを提案する。 また、CMFDFormerが新しいタスクを処理できるように、新しいPCSD連続学習フレームワークを提供する。
  論文  参考訳（メタデータ） (2023-11-22T09:27:46Z)
• Digital-twin-enhanced metal tube bending forming real-time prediction method based on Multi-source-input MTL [0.0]
  形成精度は、バネバックやその他の潜在的な形成欠陥により深刻な影響を受ける。 既存の手法は主にオフライン空間で行われ、物理世界のリアルタイム情報を無視している。 本稿では,ディジタルツイン強化(DT強化)金属管の曲げ加工をリアルタイムに予測する手法を提案する。
  論文  参考訳（メタデータ） (2022-07-03T05:49:04Z)
• Crowd Counting via Perspective-Guided Fractional-Dilation Convolution [75.36662947203192]
  本稿では,PFDNetと呼ばれる新しい畳み込みニューラルネットワークを用いた群集カウント手法を提案する。 連続スケールの変動をモデル化することにより、提案したPFDNetは、異なる空間位置に対応するための適切な分数拡張カーネルを選択することができる。 これは、個々の代表スケールのみを考慮した最先端技術の柔軟性を著しく向上させる。
  論文  参考訳（メタデータ） (2021-07-08T07:57:00Z)
• PARAFAC2 AO-ADMM: Constraints in all modes [6.901159341430921]
  本稿では, PARAFAC2 を適合させる乗算器 (ADMM) ベースのアルゴリズムの交互方向法を提案し, 任意の近似関数に対して正則化のペナルティを拡大する。 数値実験により, PARAFAC2のADMMに基づく手法により, シミュレーションデータから基礎成分を精度良く回収できることが示されている。
  論文  参考訳（メタデータ） (2021-02-03T14:42:18Z)
• Deep Multimodal Fusion by Channel Exchanging [87.40768169300898]
  本稿では,異なるモードのサブネットワーク間で動的にチャネルを交換するパラメータフリーマルチモーダル融合フレームワークを提案する。 このような交換プロセスの有効性は、畳み込みフィルタを共有してもBN層をモダリティで分離しておくことで保証される。
  論文  参考訳（メタデータ） (2020-11-10T09:53:20Z)
• SuperDeConFuse: A Supervised Deep Convolutional Transform based Fusion Framework for Financial Trading Systems [29.411173536818477]
  本研究は、金融株取引のための教師付きマルチチャネル時系列学習フレームワークを提案する。 我々のアプローチは、データチャネルを別々の1次元畳み込み層で処理し、それから出力を一連の完全に接続された層で融合し、最終的にソフトマックス分類層を適用します。 数値実験により,提案モデルにより,ストックトレーディングの現実問題に対する最先端のディープラーニング技術よりもかなり優れた結果が得られることを確認した。
  論文  参考訳（メタデータ） (2020-11-09T11:58:12Z)
• Federated Knowledge Distillation [42.87991207898215]
  フェデレート蒸留(Federated distillation, FD)は、一般的にモデルサイズよりも小さい次元のモデル出力のみを交換する分散学習ソリューションである。 この章は、コミュニケーション効率とさまざまなタスクへの適用性を実証しながら、FDの深い理解を提供する。 第2部では、分類タスクに対するFDのベースライン実装について詳述し、FLと比較して精度と通信効率の点でその性能を説明している。 第3部では、非対称なアップリンク・アンド・ダウンリンク無線チャネル上のFDと、強化学習のためのFDという2つの選択されたアプリケーションを提示している。
  論文  参考訳（メタデータ） (2020-11-04T15:56:13Z)
• Rethinking Distributional Matching Based Domain Adaptation [111.15106414932413]
  ドメイン適応(DA)は、ラベル付きソースドメインでトレーニングされた予測モデルをラベル付きターゲットドメインに転送するテクニックである。 最も一般的なDAアルゴリズムは、分散マッチング(DM)に基づいている。 本稿では,まずDMに基づく手法の限界を体系的に分析し,さらに現実的なドメインシフトを持つ新しいベンチマークを構築する。
  論文  参考訳（メタデータ） (2020-06-23T21:55:14Z)
• Deep Unfolding Network for Image Super-Resolution [159.50726840791697]
  本稿では,学習に基づく手法とモデルに基づく手法の両方を活用する,エンドツーエンドのトレーニング可能なアンフォールディングネットワークを提案する。 提案するネットワークは, モデルベース手法の柔軟性を継承し, 一つのモデルを用いて, 異なるスケール要因に対する, 曖昧でノイズの多い画像の超解像化を行う。
  論文  参考訳（メタデータ） (2020-03-23T17:55:42Z)
• Belief Propagation Reloaded: Learning BP-Layers for Labeling Problems [83.98774574197613]
  最も単純な推論手法の1つとして、切り詰められた最大積のBelief伝播を取り上げ、それをディープラーニングモデルの適切なコンポーネントにするために必要となるものを加えます。 このBP-Layerは畳み込みニューラルネットワーク(CNN)の最終ブロックまたは中間ブロックとして使用できる このモデルは様々な密集予測問題に適用可能であり、パラメータ効率が高く、ステレオ、光フロー、セマンティックセグメンテーションにおける堅牢な解を提供する。
  論文  参考訳（メタデータ） (2020-03-13T13:11:35Z)

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。