論文の概要: Data driven design of optical resonators
- arxiv url: http://arxiv.org/abs/2202.03578v1
- Date: Tue, 21 Dec 2021 16:44:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-03 22:20:36.321131
- Title: Data driven design of optical resonators
- Title（参考訳）: 光共振器のデータ駆動設計
- Authors: Joeri Lenaerts, Hannah Pinson and Vincent Ginis
- Abstract要約: 私の論文では、Fabry-P'erot共振器の逆設計にDeep Learningを使っています。
この系は完全に解析的に記述できるため、研究には理想的である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Optical devices lie at the heart of most of the technology we see around us.
When one actually wants to make such an optical device, one can predict its
optical behavior using computational simulations of Maxwell's equations. If one
then asks what the optimal design would be in order to obtain a certain optical
behavior, the only way to go further would be to try out all of the possible
designs and compute the electromagnetic spectrum they produce. When there are
many design parameters, this brute force approach quickly becomes too
computationally expensive. We therefore need other methods to create optimal
optical devices. An alternative to the brute force approach is inverse design.
In this paradigm, one starts from the desired optical response of a material
and then determines the design parameters that are needed to obtain this
optical response. There are many algorithms known in the literature that
implement this inverse design. Some of the best performing, recent approaches
are based on Deep Learning. The central idea is to train a neural network to
predict the optical response for given design parameters. Since neural networks
are completely differentiable, we can compute gradients of the response with
respect to the design parameters. We can use these gradients to update the
design parameters and get an optical response closer to the one we want. This
allows us to obtain an optimal design much faster compared to the brute force
approach. In my thesis, I use Deep Learning for the inverse design of the
Fabry-P\'erot resonator. This system can be described fully analytically and is
therefore ideal to study.
- Abstract（参考訳）: 光デバイスは、私たちの周りのほとんどの技術の中心にあります。
実際にそのような光学デバイスを作りたい場合、マクスウェル方程式の計算シミュレーションを用いてその光学挙動を予測することができる。
そして、ある光学的振る舞いを得るために最適な設計が何か尋ねると、さらに進む唯一の方法は、可能な全ての設計を試し、それらが生成する電磁スペクトルを計算することである。
多くの設計パラメータがある場合、このブルート力アプローチはすぐに計算コストが高すぎる。
したがって、最適な光学デバイスを作るための他の方法が必要です。
ブルートフォースアプローチの代替として、逆設計がある。
このパラダイムでは、材料の望ましい光学応答から始まり、この光学応答を得るために必要とされる設計パラメータを決定する。
この逆設計を実装する多くのアルゴリズムが文献で知られている。
優れたパフォーマンス、最近のアプローチはDeep Learningをベースにしています。
中心となるアイデアは、所定の設計パラメータに対する光応答を予測するためにニューラルネットワークをトレーニングすることだ。
ニューラルネットワークは完全に微分可能であるので、設計パラメータに対する応答の勾配を計算することができる。
これらの勾配を使って設計パラメータをアップデートし、望むものに近い光応答を得ることができます。
これにより、ブルート力アプローチよりもはるかに高速な最適設計が得られる。
私の論文では、Fabry-P'erot共振器の逆設計にDeep Learningを使っています。
このシステムは完全に分析的に記述することができ、研究に最適である。
関連論文リスト
- Differentiation of Linear Optical Circuits [0.0]
線形光回路と単一光子源に基づく実験的なセットアップは、短期量子機械学習のための有望なプラットフォームを提供する。
線形光回路の期待値の導出は、より大きな回路からのサンプリングによって計算可能であることを示す。
期待値の観点から微分を表現するため,一元的拡張に基づく回路抽出手法を開発した。
論文 参考訳（メタデータ） (2024-01-15T22:43:22Z) - QuATON: Quantization Aware Training of Optical Neurons [0.15320652338704774]
光プロセッサは「光ニューロン」で構築されており、光速で高次元線形演算を効率的に行うことができる。
このような光学プロセッサは3D加工が可能になったが、精度は限られている。
この制限は、光ニューロンにおける学習可能なパラメータの量子化に変換され、光プロセッサの設計中に処理されるべきである。
論文 参考訳（メタデータ） (2023-10-04T02:18:28Z) - Deep Learning Framework for the Design of Orbital Angular Momentum
Generators Enabled by Leaky-wave Holograms [0.6999740786886535]
本稿では、フラット光学(FO)と機械学習(ML)を併用して、OAMを担持する電磁波を発生させる漏れ波ホログラフィックアンテナの設計手法を提案する。
本システムの性能向上のために,機械学習を用いて,放射パターン全体を効果的に制御できる数学的関数を探索する。
それぞれのパラメータに対して最適な値を決定することができ、結果として所望の放射パターンが生成され、合計77,000個のデータセットが生成される。
論文 参考訳（メタデータ） (2023-04-25T10:01:04Z) - Graph Neural Network Autoencoders for Efficient Quantum Circuit
Optimisation [69.43216268165402]
我々は、量子回路の最適化にグラフニューラルネットワーク(GNN)オートエンコーダの使い方を初めて提示する。
我々は、量子回路から有向非巡回グラフを構築し、そのグラフを符号化し、その符号化を用いてRL状態を表現する。
我々の手法は、非常に大規模なRL量子回路最適化に向けた最初の現実的な第一歩である。
論文 参考訳（メタデータ） (2023-03-06T16:51:30Z) - Retrieving space-dependent polarization transformations via near-optimal
quantum process tomography [55.41644538483948]
トモグラフィー問題に対する遺伝的および機械学習アプローチの適用について検討する。
ニューラルネットワークベースのスキームは、リアルタイムにキャラクタリゼーションを必要とするアプリケーションにおいて、重要なスピードアップを提供する。
これらの結果は、より一般的な量子プロセスにおけるトモグラフィーアプローチの最適化の基礎となることを期待する。
論文 参考訳（メタデータ） (2022-10-27T11:37:14Z) - NeurOLight: A Physics-Agnostic Neural Operator Enabling Parametric
Photonic Device Simulation [17.295318670037886]
超高速パラメトリックフォトニックデバイスシミュレーションのための周波数領域Maxwell PDEのファミリーを学習するために、NeurOLightと呼ばれる物理に依存しないニューラルネットワークフレームワークが提案されている。
我々は、NeurOLightが、未知のシミュレーション設定の広い空間に一般化し、数値解法よりも2桁の高速なシミュレーション速度を示し、予測誤差を54%減らし、パラメータを44%減らして、従来のニューラルネットワークモデルより優れていることを示す。
論文 参考訳（メタデータ） (2022-09-19T21:25:26Z) - Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。
データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。
比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
論文 参考訳（メタデータ） (2022-04-09T13:04:36Z) - InfoNeRF: Ray Entropy Minimization for Few-Shot Neural Volume Rendering [55.70938412352287]
ニューラルな暗黙表現に基づく数ショットの新規ビュー合成のための情報理論正規化手法を提案する。
提案手法は,不十分な視点で発生する潜在的な復元の不整合を最小化する。
複数の標準ベンチマークにおいて,既存のニューラルビュー合成手法と比較して一貫した性能向上を実現している。
論文 参考訳（メタデータ） (2021-12-31T11:56:01Z) - 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) - Uncalibrated Neural Inverse Rendering for Photometric Stereo of General
Surfaces [103.08512487830669]
本稿では,測光ステレオ問題に対する無補間深層ニューラルネットワークフレームワークを提案する。
既存のニューラルネットワークベースの方法は、物体の正確な光方向または接地正則のいずれかまたは両方を必要とします。
本稿では,この問題に対する未調整の神経逆レンダリング手法を提案する。
論文 参考訳（メタデータ） (2020-12-12T10:33:08Z) - Rapid characterisation of linear-optical networks via PhaseLift [51.03305009278831]
集積フォトニクスは優れた位相安定性を提供し、半導体産業によって提供される大規模な製造性に依存することができる。
このような光回路に基づく新しいデバイスは、機械学習アプリケーションにおいて高速でエネルギー効率の高い計算を約束する。
線形光ネットワークの転送行列を再構成する新しい手法を提案する。
論文 参考訳（メタデータ） (2020-10-01T16:04:22Z)
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。