論文の概要: Femtosecond pulse parameter estimation from photoelectron momenta using
machine learning
- arxiv url: http://arxiv.org/abs/2303.13940v2
- Date: Wed, 18 Oct 2023 15:40:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-19 13:19:46.357061
- Title: Femtosecond pulse parameter estimation from photoelectron momenta using
machine learning
- Title(参考訳): 機械学習による光電子モーメントからのフェムト秒パルスパラメータ推定
- Authors: Tomasz Szo{\l}dra, Marcelo F. Ciappina, Nicholas Werby, Philip H.
Bucksbaum, Maciej Lewenstein, Jakub Zakrzewski, and Andrew S. Maxwell
- Abstract要約: 畳み込みニューラルネットワーク(CNN)は、特徴抽出やパラメータ推定といったタスクに対する驚くほどの明度を実証している。
ここでは、強電界電離光電子スペクトルを用いてCNNを試験し、実験データを逆転させる理論データセットのトレーニングを行う。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning models have provided huge interpretation power for image-like
data. Specifically, convolutional neural networks (CNNs) have demonstrated
incredible acuity for tasks such as feature extraction or parameter estimation.
Here we test CNNs on strong-field ionization photoelectron spectra, training on
theoretical data sets to `invert' experimental data. Pulse characterization is
used as a `testing ground', specifically we retrieve the laser intensity, where
`traditional' measurements typically lead to 20% uncertainty. We report on
crucial data augmentation techniques required to successfully train on
theoretical data and return consistent results from experiments, including
accounting for detector saturation. The same procedure can be repeated to apply
CNNs in a range of scenarios for strong-field ionization. Using a predictive
uncertainty estimation, reliable laser intensity uncertainties of a few percent
can be extracted, which are consistently lower than those given by traditional
techniques. Using interpretability methods can reveal parts of the distribution
that are most sensitive to laser intensity, which can be directly associated
with holographic interferences. The CNNs employed provide an accurate and
convenient ways to extract parameters, and represent a novel interpretational
tool for strong-field ionization spectra.
- Abstract(参考訳): ディープラーニングモデルは、画像のようなデータに膨大な解釈能力を提供している。
特に、畳み込みニューラルネットワーク(CNN)は、特徴抽出やパラメータ推定といったタスクに対して驚くほどの明度を示した。
ここでは強電離光電子スペクトルのcnnをテストし、理論データ集合をインバート実験データにトレーニングする。
パルスキャラクタリゼーションは「テストグラウンド」として使われ、特に「伝統的な」測定値が通常20%の不確かさをもたらすレーザー強度を取り出す。
本稿では,理論データのトレーニングに成功し,検出器飽和度計算を含む実験から一貫した結果を返すために必要な重要なデータ拡張手法について報告する。
同じ手順を繰り返すことで、強電界イオン化の様々なシナリオにcnnを適用することができる。
予測の不確実性推定を用いて、信頼性のある数パーセントのレーザー強度の不確実性を抽出することができる。
解釈可能性法を用いることで、ホログラフィック干渉と直接関連付けられるレーザー強度に最も敏感な分布の一部を明らかにすることができる。
CNNは、パラメータを抽出する正確で便利な方法を提供し、強磁場電離スペクトルの新しい解釈ツールを表現している。
関連論文リスト
- Improving the Precision of CNNs for Magnetic Resonance Spectral Modeling [4.638569496003459]
機械学習を使ってMSS関連の量を予測することで、この問題に対処できるが、ディープラーニングモデルは独自の課題をもたらす。
この研究は、より包括的なエラー特徴付けが重要である理由と、スペクトルモデリングのためのCNNの精度を改善する方法について強調する。
論文 参考訳(メタデータ) (2024-09-10T16:02:12Z) - Machine learning enabled experimental design and parameter estimation
for ultrafast spin dynamics [54.172707311728885]
機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。
本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。
数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
論文 参考訳(メタデータ) (2023-06-03T06:19:20Z) - Trustworthiness of Laser-Induced Breakdown Spectroscopy Predictions via
Simulation-based Synthetic Data Augmentation and Multitask Learning [4.633997895806144]
レーザ誘起分解分光法を用いてスペクトルデータの定量的解析を行う。
我々は、利用可能なトレーニングデータの小さなサイズと、未知のデータに対する推論中の予測の検証に対処する。
論文 参考訳(メタデータ) (2022-10-07T18:00:09Z) - Neural density estimation and uncertainty quantification for laser
induced breakdown spectroscopy spectra [4.698576003197588]
構造付きスペクトル潜在空間上の正規化フローを用いて確率密度を推定する。
観測されていない状態ベクトルを予測する際に不確実性定量化法を評価する。
火星探査機キュリオシティが収集したレーザー誘起分解分光データに本手法の有効性を実証する。
論文 参考訳(メタデータ) (2021-08-17T01:10:29Z) - Real-time gravitational-wave science with neural posterior estimation [64.67121167063696]
ディープラーニングを用いた高速重力波パラメータ推定のための前例のない精度を示す。
LIGO-Virgo Gravitational-Wave Transient Catalogから8つの重力波事象を解析した。
標準推論符号と非常に密接な定量的な一致を見いだすが、推定時間がO(day)から1イベントあたり1分に短縮される。
論文 参考訳(メタデータ) (2021-06-23T18:00:05Z) - Deep Spectral CNN for Laser Induced Breakdown Spectroscopy [11.978306421559587]
本研究では,レーザー誘起分解分光法(LIBS)信号を用いたスペクトル畳み込みニューラルネットワーク(CNN)を提案する。
提案手法は,火星探査機「キュリオシティ」からのリモートセンシング観測のための前処理と校正のために,火星科学研究所が行った既存手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2020-12-03T02:23:48Z) - Spectral Analysis Network for Deep Representation Learning and Image
Clustering [53.415803942270685]
本稿ではスペクトル分析に基づく教師なし深層表現学習のための新しいネットワーク構造を提案する。
パッチレベルで画像間の局所的な類似性を識別できるため、閉塞に対してより堅牢である。
クラスタリングに親しみやすい表現を学習し、データサンプル間の深い相関を明らかにすることができる。
論文 参考訳(メタデータ) (2020-09-11T05:07:15Z) - Deep learning for gravitational-wave data analysis: A resampling
white-box approach [62.997667081978825]
我々は、LIGO検出器からの単一干渉計データを用いて、畳み込みニューラルネットワーク(CNN)を用いて、コンパクトなバイナリコレッセンスにおける重力波(GW)信号を検出する。
CNNはノイズを検出するのに非常に正確だが、GW信号のリコールに十分な感度がないため、CNNはGWトリガの生成よりもノイズ低減に適している。
論文 参考訳(メタデータ) (2020-09-09T03:28:57Z) - Complete parameter inference for GW150914 using deep learning [0.0]
LIGOとVirgoの重力波観測所は過去5年間に多くのエキサイティングな出来事を観測してきた。
検出速度は検出器感度とともに増加するため、データ解析において計算上の課題が増大する。
本研究では,重力波に対する高速確率自由ベイズ推定にディープラーニング手法を適用した。
論文 参考訳(メタデータ) (2020-08-07T18:00:02Z) - Neural network quantum state tomography in a two-qubit experiment [52.77024349608834]
機械学習にインスパイアされた変分法は、量子シミュレータのスケーラブルな状態キャラクタリゼーションへの有望な経路を提供する。
本研究では,2ビットの絡み合った状態を生成する実験から得られた測定データに適用することにより,いくつかの手法をベンチマークし比較する。
実験的な不完全性やノイズの存在下では、変動多様体を物理状態に収束させることで、再構成された状態の質が大幅に向上することがわかった。
論文 参考訳(メタデータ) (2020-07-31T17:25:12Z) - RIFLE: Backpropagation in Depth for Deep Transfer Learning through
Re-Initializing the Fully-connected LayEr [60.07531696857743]
事前訓練されたモデルを用いたディープ畳み込みニューラルネットワーク(CNN)の微調整は、より大きなデータセットから学習した知識をターゲットタスクに転送するのに役立つ。
転送学習環境におけるバックプロパゲーションを深める戦略であるRIFLEを提案する。
RIFLEは、深いCNN層の重み付けに意味のあるアップデートをもたらし、低レベルの機能学習を改善する。
論文 参考訳(メタデータ) (2020-07-07T11:27:43Z)
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。