論文の概要: Inverse Problem of Nonlinear Schr\"odinger Equation as Learning of
Convolutional Neural Network
- arxiv url: http://arxiv.org/abs/2107.08593v1
- Date: Mon, 19 Jul 2021 02:54:37 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-20 14:36:27.420578
- Title: Inverse Problem of Nonlinear Schr\"odinger Equation as Learning of
Convolutional Neural Network
- Title(参考訳): 畳み込みニューラルネットワーク学習としての非線形schr\"odinger方程式の逆問題
- Authors: Yiran Wang, Zhen Li
- Abstract要約: 提案手法を用いて,パラメータの相対的精度を推定できることを示す。
深い学習を伴う偏微分方程式の逆問題における自然な枠組みを提供する。
- 参考スコア(独自算出の注目度): 5.676923179244324
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In this work, we use an explainable convolutional neural network (NLS-Net) to
solve an inverse problem of the nonlinear Schr\"odinger equation, which is
widely used in fiber-optic communications. The landscape and minimizers of the
non-convex loss function of the learning problem are studied empirically. It
provides a guidance for choosing hyper-parameters of the method. The estimation
error of the optimal solution is discussed in terms of expressive power of the
NLS-Net and data. Besides, we compare the performance of several training
algorithms that are popular in deep learning. It is shown that one can obtain a
relatively accurate estimate of the considered parameters using the proposed
method. The study provides a natural framework of solving inverse problems of
nonlinear partial differential equations with deep learning.
- Abstract(参考訳): 本研究では,光ファイバー通信において広く用いられている非線形schr\"odinger方程式の逆問題を解くために,説明可能な畳み込みニューラルネットワーク(nls-net)を用いる。
学習問題の非凸損失関数のランドスケープと最小化を経験的に研究した。
メソッドのハイパーパラメータを選択するためのガイダンスを提供する。
NLS-Netとデータの表現力の観点から最適解の推定誤差を考察する。
さらに、ディープラーニングで人気のあるトレーニングアルゴリズムの性能を比較した。
提案手法を用いて,パラメータの相対的精度を推定できることを示す。
この研究は、深層学習を伴う非線形偏微分方程式の逆問題を解く自然な枠組みを提供する。
関連論文リスト
- Globally Optimal Training of Neural Networks with Threshold Activation
Functions [63.03759813952481]
しきい値アクティベートを伴うディープニューラルネットワークの重み劣化正規化学習問題について検討した。
ネットワークの特定の層でデータセットを破砕できる場合に、簡易な凸最適化の定式化を導出する。
論文 参考訳(メタデータ) (2023-03-06T18:59:13Z) - Physics-informed Neural Networks approach to solve the Blasius function [0.0]
本稿では,ブラシウス関数の解法として物理インフォームドニューラルネットワーク(PINN)を提案する。
本手法は, 数値的, 従来手法と同等の結果が得られた。
論文 参考訳(メタデータ) (2022-12-31T03:14:42Z) - RAR-PINN algorithm for the data-driven vector-soliton solutions and
parameter discovery of coupled nonlinear equations [6.340205794719235]
本研究の目的は、結合された非線形方程式とその相互作用のベクトル-ソリトン解を予測する効果的なディープラーニングフレームワークを提供することである。
本稿では,残差ベース適応改良(RAR-PINN)アルゴリズムと組み合わせた物理インフォームドニューラルネットワーク(PINN)を提案する。
論文 参考訳(メタデータ) (2022-04-29T12:34:33Z) - A deep branching solver for fully nonlinear partial differential
equations [0.1474723404975345]
完全非線形PDEの数値解に対する分岐アルゴリズムの多次元深層学習実装を提案する。
このアプローチは、任意の順序の勾配項を含む機能的非線形性に取り組むように設計されている。
論文 参考訳(メタデータ) (2022-03-07T09:46:46Z) - Efficiently Solving High-Order and Nonlinear ODEs with Rational Fraction
Polynomial: the Ratio Net [3.155317790896023]
本研究では、ニューラルネットワークアーキテクチャを導入して、比重ネットと呼ばれる試行関数を構築することで、異なるアプローチをとる。
実証実験により,提案手法は既存手法と比較して高い効率性を示すことを示した。
比重ネットは、微分方程式の解法効率と有効性を向上させることを約束する。
論文 参考訳(メタデータ) (2021-05-18T16:59:52Z) - Meta-Solver for Neural Ordinary Differential Equations [77.8918415523446]
本研究では,ソルバ空間の変動がニューラルODEの性能を向上する方法について検討する。
解法パラメータ化の正しい選択は, 敵の攻撃に対するロバスト性の観点から, 神経odesモデルに大きな影響を与える可能性がある。
論文 参考訳(メタデータ) (2021-03-15T17:26:34Z) - Learning Fast Approximations of Sparse Nonlinear Regression [50.00693981886832]
本研究では,Threshold Learned Iterative Shrinkage Algorithming (NLISTA)を導入することでギャップを埋める。
合成データを用いた実験は理論結果と相関し,その手法が最先端の手法より優れていることを示す。
論文 参考訳(メタデータ) (2020-10-26T11:31:08Z) - Deep neural network for solving differential equations motivated by
Legendre-Galerkin approximation [16.64525769134209]
線形微分方程式と非線形微分方程式の両方における様々なニューラルネットワークアーキテクチャの性能と精度について検討する。
我々は、微分方程式の解を予測するために、新しいレジェンダ-ガレルキンディープニューラルネットワーク(LGNet)アルゴリズムを実装した。
論文 参考訳(メタデータ) (2020-10-24T20:25:09Z) - Provably Efficient Neural Estimation of Structural Equation Model: An
Adversarial Approach [144.21892195917758]
一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。
線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。
提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
論文 参考訳(メタデータ) (2020-07-02T17:55:47Z) - 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) - Neural Control Variates [71.42768823631918]
ニューラルネットワークの集合が、積分のよい近似を見つけるという課題に直面していることを示す。
理論的に最適な分散最小化損失関数を導出し、実際に安定したオンライントレーニングを行うための代替の複合損失を提案する。
具体的には、学習した光場近似が高次バウンスに十分な品質であることを示し、誤差補正を省略し、無視可能な可視バイアスのコストでノイズを劇的に低減できることを示した。
論文 参考訳(メタデータ) (2020-06-02T11:17:55Z)
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。