論文の概要: Probability-Density-Based Deep Learning Paradigm for the Fuzzy Design of Functional Metastructures

• arxiv url: http://arxiv.org/abs/2011.05516v1
• Date: Wed, 11 Nov 2020 02:22:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-27 00:24:00.501253
• Title: Probability-Density-Based Deep Learning Paradigm for the Fuzzy Design of Functional Metastructures
• Title（参考訳）: 関数型メタ構造のファジィ設計のための確率密度に基づくディープラーニングパラダイム
• Authors: Ying-Tao Luo, Peng-Qi Li, Dong-Ting Li, Yu-Gui Peng, Zhi-Guo Geng, Shu-Huan Xie, Yong Li, Andrea Alu, Jie Zhu, Xue-Feng Zhu
• Abstract要約: 量子力学において、ノルム二乗波動関数は、与えられた位置または運動量で測定される粒子の確率を記述する確率密度として解釈することができる。 本稿では,機能的メタ構造のファジィ設計のための確率密度に基づくディープラーニングパラダイムを提案する。
• 参考スコア（独自算出の注目度）: 6.437896705894243
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In quantum mechanics, a norm squared wave function can be interpreted as the probability density that describes the likelihood of a particle to be measured in a given position or momentum. This statistical property is at the core of the fuzzy structure of microcosmos. Recently, hybrid neural structures raised intense attention, resulting in various intelligent systems with far-reaching influence. Here, we propose a probability-density-based deep learning paradigm for the fuzzy design of functional meta-structures. In contrast to other inverse design methods, our probability-density-based neural network can efficiently evaluate and accurately capture all plausible meta-structures in a high-dimensional parameter space. Local maxima in probability density distribution correspond to the most likely candidates to meet the desired performances. We verify this universally adaptive approach in but not limited to acoustics by designing multiple meta-structures for each targeted transmission spectrum, with experiments unequivocally demonstrating the effectiveness and generalization of the inverse design.
• Abstract（参考訳）: 量子力学において、ノルム二乗波動関数は、与えられた位置または運動量で測定される粒子の確率を記述する確率密度として解釈することができる。 この統計的性質はマイクロコスモスのファジィ構造の中核にある。 近年、ハイブリッド・ニューラル構造が注目され、様々なインテリジェントなシステムが広範囲に影響を及ぼした。 本稿では,関数型メタ構造のファジィ設計のための確率密度に基づくディープラーニングパラダイムを提案する。 他の逆設計法とは対照的に、我々の確率密度に基づくニューラルネットワークは、高次元パラメータ空間における全ての可塑性メタ構造を効率的に評価し、正確に捉えることができる。 確率密度分布の局所最大値は、所望のパフォーマンスを満たす最も可能性の高い候補に対応する。 対象の伝送スペクトルごとに複数のメタ構造を設計し,逆設計の有効性と一般化を具体的に示さない実験を行い,この普遍的適応アプローチを音響に限定するものではないことを検証する。

関連論文リスト

• Fast and Reliable Probabilistic Reflectometry Inversion with Prior-Amortized Neural Posterior Estimation [73.81105275628751]
  リフレクションメトリデータと互換性のある全ての構造を見つけることは、標準アルゴリズムでは計算が禁止される。 この信頼性の欠如に対処するため,確率論的深層学習法を用いて,現実的な構造を数秒で識別する。 提案手法は,シミュレーションに基づく推論と新しい適応型事前推定を併用する。
  論文  参考訳（メタデータ） (2024-07-26T10:29:16Z)
• Dynamical Measure Transport and Neural PDE Solvers for Sampling [77.38204731939273]
  本研究では, 対象物へのトラクタブル密度関数の移動として, 確率密度からサンプリングする作業に取り組む。 物理インフォームドニューラルネットワーク(PINN)を用いて各偏微分方程式(PDE)の解を近似する。 PINNはシミュレーションと離散化のない最適化を可能にし、非常に効率的に訓練することができる。
  論文  参考訳（メタデータ） (2024-07-10T17:39:50Z)
• Deep Neural Networks as Variational Solutions for Correlated Open Quantum Systems [0.0]
  より強力なモデルで直接密度行列をパラメータ化することで、より良い変分アンザッツ関数が得られることを示す。 本稿では, 散逸的一次元逆場イジングモデルと2次元散逸的ハイゼンベルクモデルについて述べる。
  論文  参考訳（メタデータ） (2024-01-25T13:41:34Z)
• Spectral chaos bounds from scaling theory of maximally efficient quantum-dynamical scrambling [49.1574468325115]
  複雑な量子系のエルゴード定常状態への進化に関する重要な予想は、スクランブルとして知られるこの過程が最も効率的であるときに普遍的な特徴を取得することである。 このシナリオでは、完全なスクランブルダイナミクスに沿ったスペクトル相関の正確な自己相似性を具現化して、スペクトル統計量に対する単一パラメータスケーリング理論を開発する。 スケーリング予測は特権プロセスで一致し、他の動的スクランブルシナリオのバウンダリとして機能し、すべてのタイムスケールで非効率または不完全なスクランブルを定量化できるようにする。
  論文  参考訳（メタデータ） (2023-10-17T15:41:50Z)
• Spectral functions and localization landscape theory in speckle potentials [0.0]
  障害ポテンシャルのスペクトル関数を計算するための新しい手法を提案する。 この近似に基づいて、ランドスケープに基づく有効ポテンシャルのみを用いてスペクトル関数を計算する方法を提案する。 本稿では, パラメータの調整を必要とせず, 様々な統計特性を持つ乱ポテンシャルに対する提案手法の有効性を実証する。
  論文  参考訳（メタデータ） (2021-11-25T16:21:32Z)
• EBM-Fold: Fully-Differentiable Protein Folding Powered by Energy-based Models [53.17320541056843]
  本研究では,データ駆動型生成ネットワークを用いたタンパク質構造最適化手法を提案する。 EBM-Foldアプローチは,従来のロゼッタ構造最適化ルーチンと比較して,高品質なデコイを効率よく生成できる。
  論文  参考訳（メタデータ） (2021-05-11T03:40:29Z)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)
• A Quantum-Inspired Probabilistic Model for the Inverse Design of Meta-Structures [1.088579703049835]
  量子力学において、ノルム二乗波動関数は、与えられた位置または運動量で測定される粒子の確率を記述する確率密度として解釈することができる。 本稿では,機能的メタ構造の逆設計のための確率論的深層学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2020-11-11T02:09:10Z)
• General stochastic separation theorems with optimal bounds [68.8204255655161]
  分離性の現象が明らかになり、機械学習で人工知能(AI)システムのエラーを修正し、AI不安定性を分析するために使用された。 エラーやエラーのクラスタは、残りのデータから分離することができる。 AIシステムを修正する能力は、それに対する攻撃の可能性も開き、高次元性は、同じ分離性によって引き起こされる脆弱性を誘発する。
  論文  参考訳（メタデータ） (2020-10-11T13:12:41Z)
• Autoregressive Transformer Neural Network for Simulating Open Quantum Systems via a Probabilistic Formulation [5.668795025564699]
  オープン量子システムのダイナミクスに対処するためのアプローチを提案する。 自己回帰変換ニューラルネットワークを用いて量子状態をコンパクトに表現する。 効率的なアルゴリズムは、リウヴィリア超作用素の力学をシミュレートするために開発された。
  論文  参考訳（メタデータ） (2020-09-11T18:00:00Z)
• Stolen Probability: A Structural Weakness of Neural Language Models [20.180492071526697]
  NNLMは、高次元埋め込み空間において、全ての単語ベクトルで予測ベクトルのドット積を取ることによって形成される距離メートル法にソフトマックス関数を適用して確率分布を生成する。 この結果、確率を割り当てる際、他の単語を犠牲にして構造的に不当に表現する埋め込み空間の準最適順序が導かれることを示す。
  論文  参考訳（メタデータ） (2020-05-05T18:40:32Z)

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。