論文の概要: Hybrid Supervised and Reinforcement Learning for the Design and
Optimization of Nanophotonic Structures
- arxiv url: http://arxiv.org/abs/2209.04447v1
- Date: Thu, 8 Sep 2022 22:43:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-13 14:01:52.403617
- Title: Hybrid Supervised and Reinforcement Learning for the Design and
Optimization of Nanophotonic Structures
- Title（参考訳）: ナノフォトニック構造の設計と最適化のためのハイブリッド教師付き・強化学習
- Authors: Christopher Yeung, Benjamin Pham, Zihan Zhang, Katherine T. Fountaine,
and Aaswath P. Raman
- Abstract要約: 本稿では,ナノフォトニック構造の逆設計に対するハイブリッド・教師付き・強化学習手法を提案する。
提案手法は,訓練データの依存度を低減し,モデル予測の一般化性を向上させるとともに,探索訓練時間を桁違いに短縮できることを示す。
- 参考スコア（独自算出の注目度）: 8.677532138573984
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: From higher computational efficiency to enabling the discovery of novel and
complex structures, deep learning has emerged as a powerful framework for the
design and optimization of nanophotonic circuits and components. However, both
data-driven and exploration-based machine learning strategies have limitations
in their effectiveness for nanophotonic inverse design. Supervised machine
learning approaches require large quantities of training data to produce
high-performance models and have difficulty generalizing beyond training data
given the complexity of the design space. Unsupervised and reinforcement
learning-based approaches on the other hand can have very lengthy training or
optimization times associated with them. Here we demonstrate a hybrid
supervised learning and reinforcement learning approach to the inverse design
of nanophotonic structures and show this approach can reduce training data
dependence, improve the generalizability of model predictions, and shorten
exploratory training times by orders of magnitude. The presented strategy thus
addresses a number of contemporary deep learning-based challenges, while
opening the door for new design methodologies that leverage multiple classes of
machine learning algorithms to produce more effective and practical solutions
for photonic design.
- Abstract（参考訳）: 計算効率の向上から、新しく複雑な構造の発見まで、ディープラーニングはナノフォトニクス回路とコンポーネントの設計と最適化のための強力なフレームワークとして登場してきた。
しかし、データ駆動型と探索型の両方の機械学習戦略は、ナノフォトニクス逆設計の有効性に限界がある。
教師あり機械学習アプローチでは、ハイパフォーマンスモデルを生成するために大量のトレーニングデータが必要であり、設計スペースの複雑さを考えると、トレーニングデータを超えた一般化が困難である。
一方、教師なしおよび強化学習に基づくアプローチは、非常に長いトレーニングや最適化時間を持つことができる。
本稿では,ナノフォトニック構造の逆設計に対する教師あり学習と強化学習のハイブリッドアプローチを示し,トレーニングデータ依存性の低減,モデル予測の一般化可能性の向上,探索的トレーニング時間を桁違いに短縮する手法を示す。
提案した戦略は、多くの現代のディープラーニングベースの課題に対処し、フォトニックデザインのためのより効果的で実用的なソリューションを生み出すために、機械学習アルゴリズムの複数のクラスを活用する新しい設計手法の扉を開く。
関連論文リスト
- Exploring the design space of deep-learning-based weather forecasting systems [56.129148006412855]
本稿では,異なる設計選択がディープラーニングに基づく天気予報システムに与える影響を系統的に分析する。
UNet、完全畳み込みアーキテクチャ、トランスフォーマーベースモデルなどの固定グリッドアーキテクチャについて検討する。
固定グリッドモデルの強靭な性能とグリッド不変アーキテクチャの柔軟性を組み合わせたハイブリッドシステムを提案する。
論文 参考訳（メタデータ） (2024-10-09T22:25:50Z) - Hierarchical and Decoupled BEV Perception Learning Framework for Autonomous Driving [52.808273563372126]
本稿では,基本認識モジュールとユーザフレンドリなグラフィカルインタフェースのライブラリの提供を目的とした,新しい階層的BEV知覚パラダイムを提案する。
我々は,大規模公開データセットと合理化開発プロセスを効果的に活用するために,Pretrain-Finetune戦略を実行している。
また、マルチモジュールラーニング(MML)アプローチを提案し、複数のモデルの相乗的かつ反復的な訓練により性能を向上させる。
論文 参考訳（メタデータ） (2024-07-17T11:17:20Z) - An Advanced Physics-Informed Neural Operator for Comprehensive Design Optimization of Highly-Nonlinear Systems: An Aerospace Composites Processing Case Study [0.0]
本稿では,複数の入力関数を持つ複雑なシステムに適した物理インフォームドDeepONetを提案する。
提案モデルでは,高精度な高次元設計空間を処理し,バニラ物理インフォームドDeepONetを2桁の精度で上回っている。
論文 参考訳（メタデータ） (2024-06-20T20:19:30Z) - 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) - A Survey on Design Methodologies for Accelerating Deep Learning on
Heterogeneous Architectures [9.982620766142345]
効率的なハードウェアアクセラレーターの必要性は、ヘテロジニアスなHPCプラットフォームの設計にますます強くなっている。
ディープラーニングのためのアクセラレータを設計するために、いくつかの方法論とツールが提案されている。
この調査は、ディープラーニングアクセラレータを実装するために近年提案されている最も影響力のある設計方法論とEDAツールの総括的なレビューを提供する。
論文 参考訳（メタデータ） (2023-11-29T17:10:16Z) - On Efficient Training of Large-Scale Deep Learning Models: A Literature
Review [90.87691246153612]
ディープラーニングの分野は特にコンピュータビジョン(CV)、自然言語処理(NLP)、音声などにおいて大きな進歩を遂げている。
大量のデータに基づいてトレーニングされた大規模なモデルを使用することは、実用的なアプリケーションにとって大きな可能性を秘めている。
計算能力の需要が増大する中で、ディープラーニングモデルの訓練の加速技術に関する包括的な要約が期待されている。
論文 参考訳（メタデータ） (2023-04-07T11:13:23Z) - Design of Convolutional Extreme Learning Machines for Vision-Based
Navigation Around Small Bodies [0.0]
畳み込みニューラルネットワークのようなディープラーニングアーキテクチャは、画像処理タスクにおけるコンピュータビジョンの標準である。
しかし、その正確さは、しばしば、長く計算的に高価なトレーニングのコストがかかる。
畳み込み極端学習マシンと呼ばれる別の手法は、トレーニング時間の劇的な減少と同等に機能する可能性を示している。
論文 参考訳（メタデータ） (2022-10-28T16:24:21Z) - Dynamically Grown Generative Adversarial Networks [111.43128389995341]
本稿では、ネットワークアーキテクチャとそのパラメータを自動化とともに最適化し、トレーニング中にGANを動的に成長させる手法を提案する。
本手法はアーキテクチャ探索手法を勾配に基づく訓練とインターリーブステップとして組み込んで,ジェネレータと識別器の最適アーキテクチャ成長戦略を定期的に探究する。
論文 参考訳（メタデータ） (2021-06-16T01:25:51Z) - LENAS: Learning-based Neural Architecture Search and Ensemble for 3D Radiotherapy Dose Prediction [42.38793195337463]
本稿では3次元放射線治療線量予測のための知識蒸留とニューラルネットワーク検索を統合した,学習に基づく新しいアンサンブル手法 LENAS を提案する。
当社のアプローチは、巨大なアーキテクチャ空間から各ブロックを徹底的に検索して、有望なパフォーマンスを示す複数のアーキテクチャを識別することから始まります。
モデルアンサンブルによってもたらされる複雑さを軽減するため、教師-学生パラダイムを採用し、複数の学習ネットワークからの多様な出力を監視信号として活用する。
論文 参考訳（メタデータ） (2021-06-12T10:08:52Z) - Generative Design by Reinforcement Learning: Enhancing the Diversity of
Topology Optimization Designs [5.8010446129208155]
本研究では、トポロジ設計の多様性を最大化する報酬関数を備えた強化学習に基づく生成設計プロセスを提案する。
RLをベースとした生成設計は,GPUを完全自動で活用することにより,短時間で多数の多様な設計を生成できることを示す。
論文 参考訳（メタデータ） (2020-08-17T06:50:47Z) - Learning Deformable Image Registration from Optimization: Perspective,
Modules, Bilevel Training and Beyond [62.730497582218284]
マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。
我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
論文 参考訳（メタデータ） (2020-04-30T03:23:45Z)
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。