Fugu-MT 論文翻訳(概要): A neural operator-based surrogate solver for free-form electromagnetic inverse design

論文の概要: A neural operator-based surrogate solver for free-form electromagnetic inverse design

arxiv url: http://arxiv.org/abs/2302.01934v2
Date: Tue, 28 Mar 2023 07:22:31 GMT
ステータス: 処理完了
システム内更新日: 2023-03-29 18:51:01.981501
Title: A neural operator-based surrogate solver for free-form electromagnetic inverse design
Title（参考訳）: 自由形電磁逆設計のためのニューラルネットワークに基づくサロゲート解法
Authors: Yannick Augenstein, Taavi Rep\"an, Carsten Rockstuhl
Abstract要約: 我々は、電磁散乱問題に対する代理解法として、修正されたフーリエニューラル演算子を実装し、訓練する。自由形完全3次元電磁散乱器の勾配型ナノフォトニクス逆設計への応用を実証する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Neural operators have emerged as a powerful tool for solving partial differential equations in the context of scientific machine learning. Here, we implement and train a modified Fourier neural operator as a surrogate solver for electromagnetic scattering problems and compare its data efficiency to existing methods. We further demonstrate its application to the gradient-based nanophotonic inverse design of free-form, fully three-dimensional electromagnetic scatterers, an area that has so far eluded the application of deep learning techniques.
Abstract（参考訳）: ニューラルネットワークは、科学機械学習の文脈で偏微分方程式を解く強力なツールとして登場した。本稿では,改良したフーリエニューラル演算子を電磁散乱問題のサロゲート解法として実装し,そのデータ効率を既存の手法と比較する。さらに,自由形,完全3次元電磁散乱器の勾配に基づくナノフォトニクス逆設計への応用を実証する。

関連論文リスト

DimOL: Dimensional Awareness as A New 'Dimension' in Operator Learning [63.5925701087252]
本稿では,DimOL(Dimension-aware Operator Learning)を紹介し,次元解析から洞察を得る。 DimOLを実装するために,FNOおよびTransformerベースのPDEソルバにシームレスに統合可能なProdLayerを提案する。経験的に、DimOLモデルはPDEデータセット内で最大48%のパフォーマンス向上を達成する。
論文参考訳（メタデータ） (2024-10-08T10:48:50Z)
Physics aware machine learning for micromagnetic energy minimization: recent algorithmic developments [0.0]
ブラウンの静電自己エネルギーに対する境界の上に構築し、伝達問題の変分定式化の文脈でそれらの応用を再検討する。有限領域上のこれらの境界を再構成し、数値シミュレーションの手法をより効率的かつスケーラブルにする。その結果,メッシュフリーな物理インフォームドニューラルネットワーク(PINN)とELM(Extreme Learning Machines)が,厳しい制約と統合される可能性を強調した。
論文参考訳（メタデータ） (2024-09-19T16:22:40Z)
Multi-frequency Neural Born Iterative Method for Solving 2-D Inverse Scattering Problems [3.171666227612361]
多周波電磁逆散乱問題(ISP)に対処する深層学習に基づくイメージング手法を提案する。深層学習技術とEM物理法則を組み合わせることで,多周波ニューラルボルン反復法(Neural BIM)の開発に成功した。多周波ニューラルBIMの有効性は、ISPを解くための精度と計算効率の向上を実証し、合成および実験データを通して検証する。
論文参考訳（メタデータ） (2024-09-02T15:16:07Z)
Magnetic Hysteresis Modeling with Neural Operators [0.7817677116789855]
本稿では、磁場間のマッピングを学習することで、磁気ニューラル演算子を示す法則をモデル化するためのニューラル演算子を提案する。 3つのニューラル演算子-ディープ演算子ネットワーク、フーリエとウェーブレットのニューラル演算子は、新しい一階反転曲線とマイナーループを予測するために使用される。磁場の速度非依存特性を組み込むために、トレーニング中に使用するものと異なるサンプリングレートで物質応答を予測するために、速度非依存ニューラル演算子を提案する。
論文参考訳（メタデータ） (2024-07-03T16:45:45Z)
Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
論文参考訳（メタデータ） (2024-02-20T15:23:24Z)
Equivariant Graph Neural Operator for Modeling 3D Dynamics [148.98826858078556]
我々は,次のステップの予測ではなく,ダイナミックスを直接トラジェクトリとしてモデル化するために,Equivariant Graph Neural Operator (EGNO)を提案する。 EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
論文参考訳（メタデータ） (2024-01-19T21:50:32Z)
Waveformer for modelling dynamical systems [1.0878040851638]
動的システムの学習ソリューションを学習するための新しい演算子学習手法である「ウェーブフォーマ」を提案する。提案した波形変換器はウェーブレット変換を利用して解場と変圧器の空間的マルチスケールな挙動を捉える。本稿では,提案するWaveformerが解演算子を高精度に学習し,既存の最先端演算子学習アルゴリズムを最大1桁の精度で上回っていることを示す。
論文参考訳（メタデータ） (2023-10-08T03:34:59Z)
Neural Operators for Accelerating Scientific Simulations and Design [85.89660065887956]
Neural Operatorsとして知られるAIフレームワークは、継続的ドメインで定義された関数間のマッピングを学習するための原則的なフレームワークを提供する。ニューラルオペレータは、計算流体力学、天気予報、物質モデリングなど、多くのアプリケーションで既存のシミュレータを拡張または置き換えることができる。
論文参考訳（メタデータ） (2023-09-27T00:12:07Z)
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)
Transformer Meets Boundary Value Inverse Problems [4.165221477234755]
変圧器を用いた深部直接サンプリング法は境界値逆問題のクラスを解くために提案される。慎重に設計されたデータと再構成された画像の間に学習した逆演算子を評価することにより、リアルタイムな再構成を実現する。
論文参考訳（メタデータ） (2022-09-29T17:45:25Z)
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)

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。