論文の概要: Modeling Scattering Coefficients using Self-Attentive Complex
Polynomials with Image-based Representation
- arxiv url: http://arxiv.org/abs/2301.02747v2
- Date: Tue, 10 Jan 2023 01:51:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-11 14:02:15.588849
- Title: Modeling Scattering Coefficients using Self-Attentive Complex
Polynomials with Image-based Representation
- Title（参考訳）: 自己完結型複素多項式を用いた画像に基づく散乱係数のモデル化
- Authors: Andrew Cohen, Weiping Dou, Jiang Zhu, Slawomir Koziel, Peter Renner,
Jan-Ove Mattsson, Xiaomeng Yang, Beidi Chen, Kevin Stone, Yuandong Tian
- Abstract要約: 与えられた2次元平面アンテナ設計の周波数領域における散乱係数を直接推定するために, CZP と命名されたサンプル効率で正確な代理モデルを提案する。
我々は、CZPが試験損失の点でベースラインを上回るだけでなく、商用ソフトウェアで検証可能な2次元アンテナの設計も見出すことができることを示した。
- 参考スコア（独自算出の注目度）: 26.6996054977643
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Finding antenna designs that satisfy frequency requirements and are also
optimal with respect to multiple physical criteria is a critical component in
designing next generation hardware. However, such a process is non-trivial
because the objective function is typically highly nonlinear and sensitive to
subtle design change. Moreover, the objective to be optimized often involves
electromagnetic (EM) simulations, which is slow and expensive with commercial
simulation software. In this work, we propose a sample-efficient and accurate
surrogate model, named CZP (Constant Zeros Poles), to directly estimate the
scattering coefficients in the frequency domain of a given 2D planar antenna
design, without using a simulator. CZP achieves this by predicting the complex
zeros and poles for the frequency response of scattering coefficients, which we
have theoretically justified for any linear PDE, including Maxwell's equations.
Moreover, instead of using low-dimensional representations, CZP leverages a
novel image-based representation for antenna topology inspired by the existing
mesh-based EM simulation techniques, and attention-based neural network
architectures. We demonstrate experimentally that CZP not only outperforms
baselines in terms of test loss, but also is able to find 2D antenna designs
verifiable by commercial software with only 40k training samples, when coupling
with advanced sequential search techniques like reinforcement learning.
- Abstract（参考訳）: 周波数要件を満たし、複数の物理基準に対して最適であるアンテナ設計を見つけることは、次世代ハードウェアの設計において重要な要素である。
しかし、目的関数は一般に非常に非線形であり、微妙な設計変更に敏感であるため、そのようなプロセスは自明ではない。
さらに、最適化される目的は、しばしば電磁シミュレーション(EM)であり、商業シミュレーションソフトウェアでは遅くて高価である。
本研究では,CZP (Constant Zeros Poles) と呼ばれるサンプル効率・精度の高い代理モデルを提案し,シミュレータを使わずに与えられた2次元平面アンテナ設計の周波数領域における散乱係数を直接推定する。
CZPは散乱係数の周波数応答に関する複素零点と極を予測し、マクスウェル方程式を含む任意の線形PDEに対して理論的に正当化した。
さらに、czpは、低次元表現を使用する代わりに、既存のメッシュベースのemシミュレーション技術や注意に基づくニューラルネットワークアーキテクチャにインスパイアされたアンテナトポロジーのための新しいイメージベース表現を利用する。
実験では,czpが試験損失の点でベースラインを上回るだけでなく,40kのトレーニングサンプルしか持たない商用ソフトウェアで検証可能な2dアンテナ設計を,強化学習などの先進的な逐次探索技術と組み合わせることで検証できることを実証した。
関連論文リスト
- KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。
我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。
我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
論文 参考訳（メタデータ） (2024-07-18T05:48:24Z) - From Fourier to Neural ODEs: Flow Matching for Modeling Complex Systems [20.006163951844357]
ニューラル常微分方程式(NODE)を学習するためのシミュレーション不要なフレームワークを提案する。
フーリエ解析を用いて、ノイズの多い観測データから時間的および潜在的高次空間勾配を推定する。
我々の手法は、トレーニング時間、ダイナミクス予測、堅牢性の観点から、最先端の手法よりも優れています。
論文 参考訳（メタデータ） (2024-05-19T13:15:23Z) - On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。
本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
論文 参考訳（メタデータ） (2024-05-18T15:59:41Z) - The Convex Landscape of Neural Networks: Characterizing Global Optima
and Stationary Points via Lasso Models [75.33431791218302]
ディープニューラルネットワーク(DNN)モデルは、プログラミング目的に使用される。
本稿では,凸型神経回復モデルについて検討する。
定常的非次元目的物はすべて,グローバルサブサンプリング型凸解法プログラムとして特徴付けられることを示す。
また, 静止非次元目的物はすべて, グローバルサブサンプリング型凸解法プログラムとして特徴付けられることを示す。
論文 参考訳（メタデータ） (2023-12-19T23:04:56Z) - One-Dimensional Deep Image Prior for Curve Fitting of S-Parameters from
Electromagnetic Solvers [57.441926088870325]
Deep Image Prior(ディープ・イメージ・プライオリ、ディープ・イメージ・プライオリ、DIP)は、ランダムなd畳み込みニューラルネットワークの重みを最適化し、ノイズや過度な測定値からの信号に適合させる技術である。
本稿では,Vector Fitting (VF) の実装に対して,ほぼすべてのテスト例において優れた性能を示す。
論文 参考訳（メタデータ） (2023-06-06T20:28:37Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。
ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。
本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
論文 参考訳（メタデータ） (2023-04-03T13:13:19Z) - Hybrid Physical-Neural ODEs for Fast N-body Simulations [0.22419496088582863]
我々は、宇宙論的N体シミュレーションのためのParticle-Meshスキームから生じる小規模近似を補正する新しいスキームを提案する。
提案手法は相互相関係数においてPGDよりも優れており,シミュレーション設定の変化に対してより堅牢であることがわかった。
論文 参考訳（メタデータ） (2022-07-12T13:06:06Z) - REMuS-GNN: A Rotation-Equivariant Model for Simulating Continuum
Dynamics [0.0]
本稿では,連続体力学系をシミュレーションする回転同変マルチスケールモデルREMuS-GNNを紹介する。
楕円円柱まわりの非圧縮性流れについて,本手法の実証と評価を行った。
論文 参考訳（メタデータ） (2022-05-05T16:20:37Z) - Revisit Geophysical Imaging in A New View of Physics-informed Generative
Adversarial Learning [2.12121796606941]
完全な波形反転は高分解能地下モデルを生成する。
最小二乗関数を持つFWIは、局所ミニマ問題のような多くの欠点に悩まされる。
偏微分方程式とニューラルネットワークを用いた最近の研究は、2次元FWIに対して有望な性能を示している。
本稿では,波動方程式を識別ネットワークに統合し,物理的に一貫したモデルを正確に推定する,教師なし学習パラダイムを提案する。
論文 参考訳（メタデータ） (2021-09-23T15:54:40Z) - Machine Learning-aided Design of Thinned Antenna Arrays for Optimized
Network Level Performance [19.17059890143665]
本稿では,アンテナ設計のシミュレーションに基づく最適化を実現する機械学習フレームワークを提案する。
学習手法が複雑なシミュレータをモデストデータセットでエミュレートする方法を示す。
以上の結果から,提案手法をアンテナアレイの最適化に有効に適用できることが示唆された。
論文 参考訳（メタデータ） (2020-01-25T15:34:32Z)
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。