Fugu-MT 論文翻訳(概要): WaveY-Net: Physics-augmented deep learning for high-speed electromagnetic simulation and optimization

論文の概要: WaveY-Net: Physics-augmented deep learning for high-speed electromagnetic simulation and optimization

arxiv url: http://arxiv.org/abs/2203.01248v1
Date: Wed, 2 Mar 2022 17:11:33 GMT
ステータス: 処理完了
システム内更新日: 2022-03-03 16:28:35.974617
Title: WaveY-Net: Physics-augmented deep learning for high-speed electromagnetic simulation and optimization
Title（参考訳）: WaveY-Net:高速電磁シミュレーションと最適化のための物理強化深層学習
Authors: Mingkun Chen, Robert Lupoiu, Chenkai Mao, Der-Han Huang, Jiaqi Jiang, Philippe Lalanne, and Jonathan A. Fan
Abstract要約: 我々は,超高速で電磁場分布を予測できるハイブリッドデータおよび物理拡張畳み込みニューラルネットワークであるWaveY-Netを紹介する。高速シミュレータは,局所的および大域的なメタゲーションのフリーフォーム最適化において,直接的かつ効果的に利用できることを示す。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The calculation of electromagnetic field distributions within structured media is central to the optimization and validation of photonic devices. We introduce WaveY-Net, a hybrid data- and physics-augmented convolutional neural network that can predict electromagnetic field distributions with ultra fast speeds and high accuracy for entire classes of dielectric photonic structures. This accuracy is achieved by training the neural network to learn only the magnetic near-field distributions of a system and to use a discrete formalism of Maxwell's equations in two ways: as physical constraints in the loss function and as a means to calculate the electric fields from the magnetic fields. As a model system, we construct a surrogate simulator for periodic silicon nanostructure arrays and show that the high speed simulator can be directly and effectively used in the local and global freeform optimization of metagratings. We anticipate that physics-augmented networks will serve as a viable Maxwell simulator replacement for many classes of photonic systems, transforming the way they are designed.
Abstract（参考訳）: 構造媒体内の電磁界分布の計算は、フォトニックデバイスの最適化と検証の中心となる。誘電体フォトニック構造全体の電磁界分布を高速かつ高精度に予測できる,データと物理のハイブリッド畳み込みニューラルネットワークwavey-netを提案する。この精度は、ニューラルネットワークがシステムの磁場近傍分布のみを学習し、マクスウェル方程式の離散的な定式化を損失関数の物理的制約として、磁場から電場を計算する手段として使うように訓練することで達成される。モデルシステムとして, 周期型シリコンナノ構造アレイのサロゲートシミュレータを構築し, 局所的および大域的メタグラフィーのフリーフォーム最適化において, 高速シミュレータを直接かつ効果的に利用できることを示す。我々は、物理学を応用したネットワークが、多くのフォトニックシステムに対するマクスウェルシミュレーターの代替となり、それらが設計される方法を変えると予測している。

関連論文リスト

NeuralMAG: Fast and Generalizable Micromagnetic Simulation with Deep Neural Nets [9.674100498903844]
我々は,マイクロ磁気シミュレーションの深層学習手法であるNeuralMAGを紹介する。我々のアプローチは、LLG反復フレームワークに従うが、U字型ニューラルネットワーク(Unet)の利用により磁場の非磁性化を加速する。既存のニューラルネットワークとは異なり、NeuralMAGは特定のタスクに対するエンドツーエンドの近似ではなく、コア計算に集中しており、本質的に一般化可能である。
論文参考訳（メタデータ） (2024-10-19T05:25:08Z)
Unified, Verifiable Neural Simulators for Electromagnetic Wave Inverse Problems [1.6795461001108096]
我々は、数千のDoF、波長、照明波面、およびフリーフォームの散乱シミュレーションに対処できる単一の統一モデルを示す。本研究は,既存の散乱シミュレータにおいて,普遍的かつ精度の高いニューラルサロゲートへの道を示すものである。
論文参考訳（メタデータ） (2024-03-31T03:23:29Z)
Gradual Optimization Learning for Conformational Energy Minimization [69.36925478047682]
ニューラルネットワークによるエネルギー最小化のためのGradual Optimization Learning Framework(GOLF)は、必要な追加データを大幅に削減する。 GOLFでトレーニングしたニューラルネットワークは,種々の薬物様分子のベンチマークにおいて,オラクルと同等に動作することを示す。
論文参考訳（メタデータ） (2023-11-05T11:48:08Z)
Multi-Objective Optimization of Electrical Machines using a Hybrid Data-and Physics-Driven Approach [0.0]
永久磁石同期機(PMSM)の数値最適化におけるハイブリッドデータおよび物理駆動モデルの適用について述べる。データ駆動型教師ありトレーニングの後、ディープニューラルネットワーク(DNN)はPMSMの電磁的挙動を特徴付けるメタモデルとして機能する。これらの中間測度は、必要な重要な性能指標を計算するために、様々な物理モデルで後処理される。
論文参考訳（メタデータ） (2023-06-15T12:47:56Z)
NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with Spatial-temporal Decomposition [67.46012350241969]
本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
論文参考訳（メタデータ） (2023-02-20T19:36:52Z)
Physics Embedded Machine Learning for Electromagnetic Data Imaging [83.27424953663986]
電磁法(EM)イメージングは、セキュリティ、バイオメディシン、地球物理学、各種産業のセンシングに広く応用されている。機械学習(ML)技術,特に深層学習(DL)技術は,高速かつ正確な画像化の可能性を秘めている。本稿では、学習に基づくEMイメージングに物理を取り入れる様々なスキームについて検討する。
論文参考訳（メタデータ） (2022-07-26T02:10:15Z)
Field Level Neural Network Emulator for Cosmological N-body Simulations [7.051595217991437]
非線形状態において高精度な宇宙構造形成のためのフィールドレベルエミュレータを構築した。我々は、2つの畳み込みニューラルネットワークを用いて、N体シミュレーション粒子の非線形変位と速度を出力する。
論文参考訳（メタデータ） (2022-06-09T16:21:57Z)
Physics informed neural networks for continuum micromechanics [68.8204255655161]
近年,応用数学や工学における多種多様な問題に対して,物理情報ニューラルネットワークの適用が成功している。グローバルな近似のため、物理情報ニューラルネットワークは、最適化によって局所的な効果と強い非線形解を表示するのに困難である。実世界の$mu$CT-Scansから得られた不均一構造における非線形応力, 変位, エネルギー場を, 正確に解くことができる。
論文参考訳（メタデータ） (2021-10-14T14:05:19Z)
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)
Deep neural networks for the evaluation and design of photonic devices [0.0]
レビュー:ディープニューラルネットワークは、トレーニングセットからどのように学習し、高速サロゲート電磁解法として動作するか。フォトニクスの文脈内での基本的なデータ科学についても論じる。
論文参考訳（メタデータ） (2020-06-30T19:52:54Z)
Training End-to-End Analog Neural Networks with Equilibrium Propagation [64.0476282000118]
本稿では,勾配降下による終端から終端までのアナログニューラルネットワークの学習法を提案する。数学的には、アナログニューラルネットワークのクラス(非線形抵抗性ネットワークと呼ばれる)がエネルギーベースモデルであることが示される。我々の研究は、オンチップ学習をサポートする、超高速でコンパクトで低消費電力のニューラルネットワークの新世代の開発を導くことができる。
論文参考訳（メタデータ） (2020-06-02T23:38:35Z)

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。

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。