Fugu-MT 論文翻訳(概要): Manifold Learning for Knowledge Discovery and Intelligent Inverse Design of Photonic Nanostructures: Breaking the Geometric Complexity

論文の概要: Manifold Learning for Knowledge Discovery and Intelligent Inverse Design of Photonic Nanostructures: Breaking the Geometric Complexity

arxiv url: http://arxiv.org/abs/2102.04454v1
Date: Sun, 7 Feb 2021 02:38:53 GMT
ステータス: 処理完了
システム内更新日: 2021-02-10 14:52:34.369329
Title: Manifold Learning for Knowledge Discovery and Intelligent Inverse Design of Photonic Nanostructures: Breaking the Geometric Complexity
Title（参考訳）: フォトニックナノ構造の知識発見と知能逆設計のためのマニフォールド学習:幾何学的複雑さを破る
Authors: Mohammadreza Zandehshahvar, Yashar Kiarashi, Muliang Zhu, Hossein Maleki, Tyler Brown, and Ali Adibi
Abstract要約: 我々のアプローチは、潜在空間における異なる設計複雑さを持つナノ構造のサブマニフォールドの応答を研究することに基づいている。本手法は, 逆問題を解きながら, 初期設計から最も単純な構造への進化を可能にする。
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: Here, we present a new approach based on manifold learning for knowledge discovery and inverse design with minimal complexity in photonic nanostructures. Our approach builds on studying sub-manifolds of responses of a class of nanostructures with different design complexities in the latent space to obtain valuable insight about the physics of device operation to guide a more intelligent design. In contrast to the current methods for inverse design of photonic nanostructures, which are limited to pre-selected and usually over-complex structures, we show that our method allows evolution from an initial design towards the simplest structure while solving the inverse problem.
Abstract（参考訳）: 本稿では,フォトニックナノ構造における知識発見と逆設計のための多様体学習に基づく新しいアプローチを提案する。提案手法は,よりインテリジェントな設計を導くためのデバイス操作の物理に関する貴重な知見を得るために,潜在空間における設計複雑さが異なるナノ構造のサブマニフォールドの応答を研究することに基づく。本手法は, フォトニックナノ構造の逆設計法とは対照的に, 初期設計から最も単純な構造への進化を可能とし, 逆問題も解決できることが示唆された。

関連論文リスト

A Geometric Framework for Neural Feature Learning [6.861324267170669]
本稿では,特徴空間の幾何学的構造を利用したニューラル特徴抽出器に基づくシステム設計学習フレームワークを提案する。データサンプルから最適な特徴を学習するための学習アルゴリズムを設計するためのネスト手法を提案する。
論文参考訳（メタデータ） (2023-09-18T20:39:12Z)
Holistic Geometric Feature Learning for Structured Reconstruction [2.4305626489408465]
そこで本研究では,位相非接触構造推論のための周波数領域特徴学習戦略(F-Learn)を提案する。実験により、F-Learn戦略は幾何学的原始的検出とトポロジー推論に構造認識を効果的に導入できることが示された。
論文参考訳（メタデータ） (2023-09-18T09:49:28Z)
Explainable Equivariant Neural Networks for Particle Physics: PELICAN [51.02649432050852]
PELICANは、新しい置換同変であり、ローレンツ不変アグリゲーターネットワークである。本稿では,タグ付け(分類)とローレンツ発泡トップクォークの再構成(回帰)の両文脈におけるPELICANアルゴリズムアーキテクチャについて述べる。 PELICANの適用範囲を、クォーク開始時とグルーオン開始時とを識別するタスクに拡張し、5種類のジェットを対象とするマルチクラス同定を行う。
論文参考訳（メタデータ） (2023-07-31T09:08:40Z)
Structure-based drug design with geometric deep learning [0.0]
構造に基づく薬物設計では、タンパク質や核酸などの高分子の3次元幾何学的情報を用いて適切な識別を行う。ニューラルネットワークベースの機械学習の新たな概念である幾何学的深層学習は、高分子構造に応用されている。本総説では, 生物有機化学および医薬化学における幾何学的深層学習の最近の応用について概説し, 構造に基づく創薬・設計の可能性について概説する。
論文参考訳（メタデータ） (2022-10-19T16:21:48Z)
Hybrid Supervised and Reinforcement Learning for the Design and Optimization of Nanophotonic Structures [8.677532138573984]
本稿では,ナノフォトニック構造の逆設計に対するハイブリッド・教師付き・強化学習手法を提案する。提案手法は,訓練データの依存度を低減し,モデル予測の一般化性を向上させるとともに,探索訓練時間を桁違いに短縮できることを示す。
論文参考訳（メタデータ） (2022-09-08T22:43:40Z)
Atomic structure generation from reconstructing structural fingerprints [1.2128971613239876]
本稿では、原子中心対称性関数を表現として、条件付き変分オートエンコーダを生成モデルとして、エンドツーエンド構造生成手法を提案する。我々は、概念実証として、サブナノメーターPtナノ粒子の新規で有効な原子構造を生成することに成功した。
論文参考訳（メタデータ） (2022-07-27T00:42:59Z)
Universal approximation property of invertible neural networks [76.95927093274392]
Invertible Neural Network (INN) は、設計によって可逆性を持つニューラルネットワークアーキテクチャである。その可逆性とヤコビアンのトラクタビリティのおかげで、IGNは確率的モデリング、生成的モデリング、表現的学習など、さまざまな機械学習応用がある。
論文参考訳（メタデータ） (2022-04-15T10:45:26Z)
Inverse design of photonic devices with strict foundry fabrication constraints [55.41644538483948]
本稿では,ナノフォトニクス素子の逆設計法を提案し,設計が厳密な長さの制約を満たすことを保証した。本手法の性能と信頼性を,いくつかの共通集積フォトニック部品を設計することによって実証する。
論文参考訳（メタデータ） (2022-01-31T02:27:25Z)
On the Exploitation of Neuroevolutionary Information: Analyzing the Past for a More Efficient Future [60.99717891994599]
本稿では,神経進化過程から情報を抽出し,メタモデルを構築するアプローチを提案する。本稿では, 異なる特徴を有する生成的対向ネットワークの神経進化的探索における最良の構造について検討する。
論文参考訳（メタデータ） (2021-05-26T20:55:29Z)
Investigating Bi-Level Optimization for Learning and Vision from a Unified Perspective: A Survey and Beyond [114.39616146985001]
機械学習やコンピュータビジョンの分野では、モチベーションやメカニズムが異なるにもかかわらず、複雑な問題の多くは、一連の密接に関連するサブプロトコルを含んでいる。本稿では,BLO(Bi-Level Optimization)の観点から,これらの複雑な学習と視覚問題を一様に表現する。次に、値関数に基づく単一レベル再構成を構築し、主流勾配に基づくBLO手法を理解し、定式化するための統一的なアルゴリズムフレームワークを確立する。
論文参考訳（メタデータ） (2021-01-27T16:20:23Z)
Understanding Deep Architectures with Reasoning Layer [60.90906477693774]
本研究では,アルゴリズムの収束,安定性,感度といった特性が,エンドツーエンドモデルの近似と一般化能力と密接に関連していることを示す。私たちの理論は、深いアーキテクチャを推論層で設計するための有用なガイドラインを提供することができます。
論文参考訳（メタデータ） (2020-06-24T00:26:35Z)

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。