論文の概要: Investigation of inverse design of multilayer thin-films with
conditional invertible Neural Networks
- arxiv url: http://arxiv.org/abs/2210.04629v1
- Date: Mon, 10 Oct 2022 12:29:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-11 19:42:27.683182
- Title: Investigation of inverse design of multilayer thin-films with
conditional invertible Neural Networks
- Title（参考訳）: 条件付き可逆ニューラルネットワークを用いた多層薄膜の逆設計に関する研究
- Authors: Alexander Luce, Ali Mahdavi, Heribert Wankerl, Florian Marquardt
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 62.997667081978825
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The task of designing optical multilayer thin-films regarding a given target
is currently solved using gradient-based optimization in conjunction with
methods that can introduce additional thin-film layers. Recently, Deep Learning
and Reinforcement Learning have been been introduced to the task of designing
thin-films with great success, however a trained network is usually only able
to become proficient for a single target and must be retrained if the optical
targets are varied. In this work, we apply conditional Invertible Neural
Networks (cINN) to inversely designing multilayer thin-films given an optical
target. Since the cINN learns the energy landscape of all thin-film
configurations within the training dataset, we show that cINNs can generate a
stochastic ensemble of proposals for thin-film configurations that that are
reasonably close to the desired target depending only on random variables. By
refining the proposed configurations further by a local optimization, we show
that the generated thin-films reach the target with significantly greater
precision than comparable state-of-the art approaches. Furthermore, we tested
the generative capabilities on samples which are outside the training data
distribution and found that the cINN was able to predict thin-films for
out-of-distribution targets, too. The results suggest that in order to improve
the generative design of thin-films, it is instructive to use established and
new machine learning methods in conjunction in order to obtain the most
favorable results.
- Abstract（参考訳）: 現在,光学的多層膜設計の課題は,グラデーションに基づく最適化と,追加の薄膜層を導入する手法を用いて解決されている。
近年, 薄膜の設計に深層学習や強化学習が採用されているが, 訓練されたネットワークは通常, 1つの目標に対して熟練し, 光学的目標が変化した場合に再訓練されなければならない。
本研究は,光標的とした多層薄膜の逆設計に条件付き可逆ニューラルネットワーク(cINN)を適用した。
cINNはトレーニングデータセット内のすべての薄膜構成のエネルギー環境を学習するため、cINNsはランダムな変数のみに依存して所望のターゲットに適宜近い薄膜構成を提案する確率的アンサンブルを生成することができることを示す。
提案する構成を局所最適化によりさらに精錬することにより, 生成した薄膜が, 同等の最先端技術よりも高い精度で目標に到達できることを実証する。
さらに,トレーニングデータ分布の外側にあるサンプルについて生成能力をテストしたところ,cinnは分布目標外でも薄膜を予測できることが判明した。
その結果, 薄膜の生成設計を改善するためには, 確立した機械学習法と新しい機械学習法を併用し, 良好な結果を得る必要があることが示唆された。
関連論文リスト
- Deep Learning Through A Telescoping Lens: A Simple Model Provides Empirical Insights On Grokking, Gradient Boosting & Beyond [61.18736646013446]
その驚くべき振る舞いをより深く理解するために、トレーニングされたニューラルネットワークの単純かつ正確なモデルの有用性について検討する。
3つのケーススタディで、様々な顕著な現象に関する新しい経験的洞察を導き出すためにどのように適用できるかを説明します。
論文 参考訳（メタデータ） (2024-10-31T22:54:34Z) - Generative Neural Fields by Mixtures of Neural Implicit Functions [43.27461391283186]
本稿では,暗黙的ベースネットワークの線形結合によって表現される生成的ニューラルネットワークを学習するための新しいアプローチを提案する。
提案アルゴリズムは,メタラーニングや自動デコーディングのパラダイムを採用することにより,暗黙のニューラルネットワーク表現とその係数を潜在空間で学習する。
論文 参考訳（メタデータ） (2023-10-30T11:41:41Z) - Protein Design with Guided Discrete Diffusion [67.06148688398677]
タンパク質設計における一般的なアプローチは、生成モデルと条件付きサンプリングのための識別モデルを組み合わせることである。
離散拡散モデルのためのガイダンス手法であるdiffusioN Optimized Smpling (NOS)を提案する。
NOSは、構造に基づく手法の重要な制限を回避し、シーケンス空間で直接設計を行うことができる。
論文 参考訳（メタデータ） (2023-05-31T16:31:24Z) - RLFlow: Optimising Neural Network Subgraph Transformation with World
Models [0.0]
本稿では,ニューラルネットワークのアーキテクチャを最適化するためのモデルベースエージェントを提案する。
提案手法は, 共通の畳み込みネットワーク上での最先端技術の性能に適合し, トランスフォーマースタイルのアーキテクチャでは最大5%性能が向上することを示す。
論文 参考訳（メタデータ） (2022-05-03T11:52:54Z) - TMM-Fast: A Transfer Matrix Computation Package for Multilayer Thin-Film
Optimization [62.997667081978825]
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。
論文 参考訳（メタデータ） (2021-11-24T14:47:37Z) - Follow Your Path: a Progressive Method for Knowledge Distillation [23.709919521355936]
本稿では,教師モデルの指導信号を学生のパラメータ空間に投影することで,新しいモデルに依存しないProKTを提案する。
画像とテキストの双方で実験した結果,提案したProKTは既存の知識蒸留法と比較して常に優れた性能を発揮することがわかった。
論文 参考訳（メタデータ） (2021-07-20T07:44:33Z) - Progressive Encoding for Neural Optimization [92.55503085245304]
メッシュ転送におけるppe層の能力と,そのアドバンテージを,現代の表面マッピング技術と比較した。
最も重要な点は, パラメタライズフリーな手法であり, 様々な対象形状表現に適用可能であることである。
論文 参考訳（メタデータ） (2021-04-19T08:22:55Z) - 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) - A Deep-Unfolded Reference-Based RPCA Network For Video
Foreground-Background Separation [86.35434065681925]
本稿では,ロバスト主成分分析(RPCA)問題に対するディープアンフォールディングに基づくネットワーク設計を提案する。
既存の設計とは異なり,本手法は連続するビデオフレームのスパース表現間の時間的相関をモデル化することに焦点を当てている。
移動MNISTデータセットを用いた実験により、提案したネットワークは、ビデオフォアグラウンドとバックグラウンドの分離作業において、最近提案された最先端のRPCAネットワークより優れていることが示された。
論文 参考訳（メタデータ） (2020-10-02T11:40:09Z) - Multi-objective and categorical global optimization of photonic
structures based on ResNet generative neural networks [0.0]
残余のネットワークスキームにより、GLOnetは深いアーキテクチャから浅いネットワークへと進化し、グローバルに最適なデバイスの狭い分布を生成することができる。
GLOnetは従来のアルゴリズムに比べて桁違いに高速でグローバルな最適化が可能であることを示す。
その結果,深層学習における高度な概念が,フォトニクスの逆設計アルゴリズムの能力を推し進めることが示唆された。
論文 参考訳（メタデータ） (2020-07-20T06:50:53Z)
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。