論文の概要: Tackling Multimodal Device Distributions in Inverse Photonic Design
using Invertible Neural Networks
- arxiv url: http://arxiv.org/abs/2208.14212v1
- Date: Mon, 29 Aug 2022 08:46:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-31 13:42:31.036724
- Title: Tackling Multimodal Device Distributions in Inverse Photonic Design
using Invertible Neural Networks
- Title(参考訳): 可逆ニューラルネットワークを用いた逆フォトニック設計におけるマルチモーダルデバイス分布の対応
- Authors: Michel Frising, Jorge Bravo-Abad, Ferry Prins
- Abstract要約: 逆設計は、デバイスまたはプロセスパラメータをマッチングして望ましい性能を示すプロセスである。
ほとんどの従来の最適化ルーチンは、設計パラメータと目標のパフォーマンスの間の可逆的な1対1マッピングを前提としています。
逆設計問題に対して、可逆ニューラルネットワークに基づく生成的モデリングアプローチが、可能解の完全な分布を提供する方法を示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Inverse design, the process of matching a device or process parameters to
exhibit a desired performance, is applied in many disciplines ranging from
material design over chemical processes and to engineering. Machine learning
has emerged as a promising approach to overcome current limitations imposed by
the dimensionality of the parameter space and multimodal parameter
distributions. Most traditional optimization routines assume an invertible
one-to-one mapping between the design parameters and the target performance.
However, comparable or even identical performance may be realized by different
designs, yielding a multimodal distribution of possible solutions to the
inverse design problem which confuses the optimization algorithm. Here, we show
how a generative modeling approach based on invertible neural networks can
provide the full distribution of possible solutions to the inverse design
problem and resolve the ambiguity of nanodevice inverse design problems
featuring multimodal distributions. We implement a Conditional Invertible
Neural Network (cINN) and apply it to a proof-of-principle nanophotonic
problem, consisting in tailoring the transmission spectrum of a metallic film
milled by subwavelength indentations. We compare our approach with the commonly
used conditional Variational Autoencoder (cVAE) framework and show the superior
flexibility and accuracy of the proposed cINNs when dealing with multimodal
device distributions. Our work shows that invertible neural networks provide a
valuable and versatile toolkit for advancing inverse design in nanoscience and
nanotechnology.
- Abstract(参考訳): 逆設計(inverse design)は、デバイスやプロセスパラメータをマッチングして所望の性能を示すプロセスであり、材料設計から化学プロセス、工学まで様々な分野に適用される。
機械学習は、パラメータ空間とマルチモーダルパラメータ分布の次元性によって課される現在の制限を克服するための有望なアプローチとして登場した。
ほとんどの従来の最適化ルーチンは、設計パラメータと目標性能の間の可逆的な1対1マッピングを想定している。
しかし、同等あるいは同一の性能は異なる設計によって実現され、最適化アルゴリズムを混同する逆設計問題に対する可能な解のマルチモーダル分布が得られる。
本稿では,インバータブルニューラルネットワークに基づく生成的モデリング手法が,逆設計問題に対する可能な解の完全な分布を提供し,マルチモーダル分布を特徴とするナノデバイス逆設計問題の曖昧性を解決する方法を示す。
我々は,CINN(Conditional Invertible Neural Network)を実装し,それをサブ波長インデンテーションで加工した金属フィルムの透過スペクトルを調整する原理的ナノフォトニクス問題に適用する。
提案手法を条件付き変分オートエンコーダ (cVAE) フレームワークと比較し, マルチモーダルデバイス分布の処理において, 提案したcINNの優れた柔軟性と精度を示す。
我々の研究は、ナノサイエンスとナノテクノロジーの逆設計を促進するために、インバータブルニューラルネットワークが有用で多用途なツールキットを提供することを示している。
関連論文リスト
- Compositional Generative Inverse Design [69.22782875567547]
入力変数を設計して目的関数を最適化する逆設計は重要な問題である。
拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。
N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
論文 参考訳(メタデータ) (2024-01-24T01:33:39Z) - Transfer learning-assisted inverse modeling in nanophotonics based on mixture density networks [0.840835093659811]
本稿では,移動学習により強化された混合密度ネットワークモデルに基づくナノフォトニック構造の逆モデリング手法を提案する。
提案手法は,光応答を入力とする設計ソリューションの予測能力を高い精度で保ちながら,伝達学習に基づく手法を用いてこれらの制限を克服することができる。
論文 参考訳(メタデータ) (2024-01-21T09:03:30Z) - Spatial Attention Kinetic Networks with E(n)-Equivariance [0.951828574518325]
回転、翻訳、反射、n次元幾何学空間上の置換と等価なニューラルネットワークは、物理モデリングにおいて有望であることを示している。
本稿では, エッジベクトルの線形結合をニューラルネットワークでパラメトリケートし, 等価性を実現するための, 簡易な代替関数形式を提案する。
E(n)-等価性を持つ空間的注意運動ネットワーク(SAKE)を設計する。
論文 参考訳(メタデータ) (2023-01-21T05:14:29Z) - Towards Multi-spatiotemporal-scale Generalized PDE Modeling [4.924631198058705]
渦流および速度関数形式における流体力学問題に対する様々なFNOとU-Netのようなアプローチの比較を行う。
一つの代理モデルを用いて異なるPDEパラメータと時間スケールへの一般化の有望な結果を示す。
論文 参考訳(メタデータ) (2022-09-30T17:40:05Z) - 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) - Mixed Integer Neural Inverse Design [27.43272793942742]
日常的なニューラルネットワークで非常に一般的なピースワイズ線形性は、混合整数線形プログラミングに基づく逆設計の定式化を可能にする。
我々の混合整数逆設計は、大域的最適あるいは近距離最適解を原則的に発見する。
論文 参考訳(メタデータ) (2021-09-27T09:19:41Z) - De-homogenization using Convolutional Neural Networks [1.0323063834827415]
本稿では,構造コンプライアンス最小化のための深層学習に基づく非均質化手法を提案する。
パラメータの適切な選択のために、非均質化設計は、均質化に基づく解の7-25%以内で実行される。
論文 参考訳(メタデータ) (2021-05-10T09:50:06Z) - Machine Learning Framework for Quantum Sampling of Highly-Constrained,
Continuous Optimization Problems [101.18253437732933]
本研究では,連続空間の逆設計問題を,制約のないバイナリ最適化問題にマッピングする,汎用的な機械学習ベースのフレームワークを開発する。
本研究では, 熱発光トポロジを熱光応用に最適化し, (ii) 高効率ビームステアリングのための拡散メタグレーティングを行うことにより, 2つの逆設計問題に対するフレームワークの性能を示す。
論文 参考訳(メタデータ) (2021-05-06T02:22:23Z) - Joint Deep Reinforcement Learning and Unfolding: Beam Selection and
Precoding for mmWave Multiuser MIMO with Lens Arrays [54.43962058166702]
離散レンズアレイを用いたミリ波マルチユーザマルチインプット多重出力(MU-MIMO)システムに注目が集まっている。
本研究では、DLA を用いた mmWave MU-MIMO システムのビームプリコーディング行列の共同設計について検討する。
論文 参考訳(メタデータ) (2021-01-05T03:55:04Z) - Deep Multi-Task Learning for Cooperative NOMA: System Design and
Principles [52.79089414630366]
我々は,近年のディープラーニング(DL)の進歩を反映した,新しいディープ・コラボレーティブなNOMAスキームを開発する。
我々は,システム全体を包括的に最適化できるように,新しいハイブリッドカスケードディープニューラルネットワーク(DNN)アーキテクチャを開発した。
論文 参考訳(メタデータ) (2020-07-27T12:38:37Z) - Iterative Algorithm Induced Deep-Unfolding Neural Networks: Precoding
Design for Multiuser MIMO Systems [59.804810122136345]
本稿では,AIIDNN(ディープ・アンフォールディング・ニューラルネット)を一般化した,ディープ・アンフォールディングのためのフレームワークを提案する。
古典的重み付き最小二乗誤差(WMMSE)反復アルゴリズムの構造に基づく効率的なIAIDNNを提案する。
提案したIAIDNNは,計算複雑性を低減した反復WMMSEアルゴリズムの性能を効率よく向上することを示す。
論文 参考訳(メタデータ) (2020-06-15T02:57:57Z)
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。