論文の概要: TMM-Fast: A Transfer Matrix Computation Package for Multilayer Thin-Film Optimization

• arxiv url: http://arxiv.org/abs/2111.13667v1
• Date: Wed, 24 Nov 2021 14:47:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-05 05:25:26.925946
• Title: TMM-Fast: A Transfer Matrix Computation Package for Multilayer Thin-Film Optimization
• Title（参考訳）: TMM-Fast:多層薄膜最適化のための転送行列計算パッケージ
• Authors: Alexander Luce, Ali Mahdavi, Florian Marquardt, Heribert Wankerl
• Abstract要約: 先進的な薄膜構造は、厚みの異なる複数の材料と多数の層から構成される。 複数の変数を持つ複雑な薄膜構造の設計と最適化は、まだ活発な研究が続けられている計算的に重い問題である。 我々は,多層膜を透過する波長と入射角度の異なる光の反射と透過の並列計算を可能にするPythonパッケージTMM-Fastを提案する。
• 参考スコア（独自算出の注目度）: 62.997667081978825
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Achieving the desired optical response from a multilayer thin-film structure over a broad range of wavelengths and angles of incidence can be challenging. An advanced thin-film structure can consist of multiple materials with different thicknesses and numerous layers. Design and optimization of complex thin-film structures with multiple variables is a computationally heavy problem that is still under active research. To enable fast and easy experimentation with new optimization techniques, we propose the Python package TMM-Fast which enables parallelized computation of reflection and transmission of light at different angles of incidence and wavelengths through the multilayer thin-film. By decreasing computational time, generating datasets for machine learning becomes feasible and evolutionary optimization can be used effectively. Additionally, the sub-package TMM-Torch allows to directly compute analytical gradients for local optimization by using PyTorch Autograd functionality. Finally, an OpenAi Gym environment is presented which allows the user to train reinforcement learning agents on the problem of finding multilayer thin-film configurations.
• Abstract（参考訳）: 多層薄膜構造から幅広い波長及び入射角度にわたって所望の光学応答を達成することは困難である。 高度な薄膜構造は、厚みの異なる複数の材料と多数の層から構成される。 複数の変数を持つ複雑な薄膜構造の設計と最適化は、まだ研究が進められている計算的に重い問題である。 新たな最適化手法で高速かつ簡便な実験を可能にするため,多層薄膜を透過する波長と入射角度の異なる光の反射と透過の並列計算を可能にするPythonパッケージTMM-Fastを提案する。 計算時間を短縮することにより、機械学習のためのデータセットの生成が実現可能となり、進化的最適化が効果的に使用できる。 さらに、サブパッケージのTMM-Torchでは、PyTorch Autograd機能を使用して、局所最適化のための分析勾配を直接計算することができる。 最後に、OpenAi Gym環境を提示し、ユーザは多層薄膜構成を見つける問題に対して強化学習エージェントを訓練することができる。

関連論文リスト

• CREMA: Generalizable and Efficient Video-Language Reasoning via Multimodal Modular Fusion [58.15403987979496]
  CREMAは、ビデオ推論のための一般化可能、高効率、モジュラリティ融合フレームワークである。 本稿では,軽量核融合モジュールとモーダリティ・シークエンシャル・トレーニング・ストラテジーによって支援された,新しいプログレッシブ・マルチモーダル・フュージョン設計を提案する。 ビデオQA や Video-Audio/3D/Touch/Thermal QA を含む7つのビデオ言語推論タスクについて検証を行った。
  論文  参考訳（メタデータ） (2024-02-08T18:27:22Z)
• OL-Transformer: A Fast and Universal Surrogate Simulator for Optical Multilayer Thin Film Structures [1.2891210250935143]
  本稿では,巨大構造物の普遍的サロゲートシミュレータとして機能するOpto-Layer Transformerを提案する。 我々のモデルは、最大1025ドルの異なる多層構造に対して正確な反射スペクトルと透過スペクトルを予測できる。
  論文  参考訳（メタデータ） (2023-05-19T20:05:07Z)
• Investigation of inverse design of multilayer thin-films with conditional invertible Neural Networks [62.997667081978825]
  我々は、条件付き可逆ニューラルネットワーク(cINN)を用いて、光学目標を与えられた多層薄膜を逆設計する。 我々は、cINNが、ランダムな変数に応じて、所望のターゲットに適当に近い薄膜構成の提案を生成可能であることを示す。
  論文  参考訳（メタデータ） (2022-10-10T12:29:20Z)
• Neighbor Correspondence Matching for Flow-based Video Frame Synthesis [90.14161060260012]
  フローベースフレーム合成のための近傍対応マッチング(NCM)アルゴリズムを提案する。 NCMは現在のフレームに依存しない方法で実行され、各ピクセルの時空間近傍でマルチスケールの対応を確立する。 粗いスケールのモジュールは、近隣の対応を利用して大きな動きを捉えるように設計されている。
  論文  参考訳（メタデータ） (2022-07-14T09:17:00Z)
• ResNet-LDDMM: Advancing the LDDMM Framework Using Deep Residual Networks [86.37110868126548]
  本研究では,eulerの離散化スキームに基づく非定常ode(フロー方程式)の解法として,深層残留ニューラルネットワークを用いた。 複雑なトポロジー保存変換の下での3次元形状の多種多様な登録問題について述べる。
  論文  参考訳（メタデータ） (2021-02-16T04:07:13Z)
• A Reinforcement learning method for Optical Thin-Film Design [2.9005223064604078]
  機械学習は、光薄膜逆設計に関連する方法を変えつつある。 光薄膜逆設計のための新しいエンドツーエンドアルゴリズムを提案する。 本稿では,この手法を用いて多層太陽吸収素子のスペクトルを最適化する方法を示す。
  論文  参考訳（メタデータ） (2021-02-13T07:42:15Z)
• DiffPD: Differentiable Projective Dynamics with Contact [65.88720481593118]
  DiffPDは、暗黙の時間積分を持つ効率的な微分可能なソフトボディシミュレータである。 我々はDiffPDの性能を評価し,様々な応用における標準ニュートン法と比較して4～19倍のスピードアップを観測した。
  論文  参考訳（メタデータ） (2021-01-15T00:13:33Z)
• Parameterized Reinforcement Learning for Optical System Optimization [0.0]
  光特性を指定した多層光学系は、複数の離散的かつ連続的なパラメータによって設計されている。 ほとんどの手法は単にシステムの層の最適な厚さを決定するだけである。 マルコフ決定過程におけるパラメータ化動作として連続層を積み重ねる手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T10:53:28Z)

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。