論文の概要: Neural network analysis of neutron and X-ray reflectivity data: Incorporating prior knowledge for tackling the phase problem

• arxiv url: http://arxiv.org/abs/2307.05364v1
• Date: Wed, 28 Jun 2023 11:15:53 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-16 03:55:58.846273
• Title: Neural network analysis of neutron and X-ray reflectivity data: Incorporating prior knowledge for tackling the phase problem
• Title（参考訳）: 中性子・X線反射率データのニューラルネットワーク解析:相問題に取り組むための事前知識の導入
• Authors: Valentin Munteanu, Vladimir Starostin, Alessandro Greco, Linus Pithan, Alexander Gerlach, Alexander Hinderhofer, Stefan Kowarik, Frank Schreiber
• Abstract要約: 本稿では,事前知識を利用して,より大規模なパラメータ空間上でのトレーニングプロセスを標準化する手法を提案する。 ボックスモデルパラメータ化を用いた多層構造を含む様々なシナリオにおいて,本手法の有効性を示す。 従来の手法とは対照的に,逆問題の複雑性を増大させると,我々の手法は好適にスケールする。
• 参考スコア（独自算出の注目度）: 141.5628276096321
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Due to the lack of phase information, determining the physical parameters of multilayer thin films from measured neutron and X-ray reflectivity curves is, on a fundamental level, an underdetermined inverse problem. This so-called phase problem poses limitations on standard neural networks, constraining the range and number of considered parameters in previous machine learning solutions. To overcome this, we present an approach that utilizes prior knowledge to regularize the training process over larger parameter spaces. We demonstrate the effectiveness of our method in various scenarios, including multilayer structures with box model parameterization and a physics-inspired special parameterization of the scattering length density profile for a multilayer structure. By leveraging the input of prior knowledge, we can improve the training dynamics and address the underdetermined ("ill-posed") nature of the problem. In contrast to previous methods, our approach scales favorably when increasing the complexity of the inverse problem, working properly even for a 5-layer multilayer model and an N-layer periodic multilayer model with up to 17 open parameters.
• Abstract（参考訳）: 位相情報の欠如により、測定された中性子およびx線反射率曲線から多層薄膜の物理パラメータを決定することは、基本レベルでは、不確定な逆問題である。 このいわゆるフェーズ問題は、従来の機械学習ソリューションで考慮されるパラメータの範囲と数を制限する、標準的なニューラルネットワークに制限を与える。 そこで本研究では,事前知識を活用し,より広いパラメータ空間上でのトレーニングプロセスを定式化する手法を提案する。 ボックスモデルパラメータ化を用いた多層構造や,多層構造に対する散乱長密度プロファイルの物理に着想を得た特殊パラメータ化など,様々なシナリオにおいて本手法の有効性を示す。 事前知識の入力を活用することで、トレーニングダイナミクスを改善し、未決定の(未解決の)問題の性質に対処できる。 従来の手法とは対照的に,5層多層モデルや最大17個のオープンパラメータを持つn層周期多層モデルにおいても,逆問題の複雑性を増大させる手法は好適である。

関連論文リスト

• SMILE: Zero-Shot Sparse Mixture of Low-Rank Experts Construction From Pre-Trained Foundation Models [85.67096251281191]
  我々は、ゼロショットスパースミクチャー(SMILE)と呼ばれるモデル融合に対する革新的なアプローチを提案する。 SMILEは、余分なデータやさらなるトレーニングなしに、ソースモデルをMoEモデルにアップスケーリングできる。 画像分類やテキスト生成タスクなど,さまざまなシナリオに対して,フル微調整とLoRA微調整を用いて広範な実験を行う。
  論文  参考訳（メタデータ） (2024-08-19T17:32:15Z)
• Explaining the Machine Learning Solution of the Ising Model [0.0]
  この研究は、統計物理学における機械学習(ML)研究の主要なターゲットである強磁性イジングモデルに対してどのように達成できるかを示す。 隠れた層を持たないニューラルネットワーク(NN)を使用し(最も単純な)、ハミルトニアンの対称性によって情報を伝達することにより、教師付き学習ソリューションを見つけるための戦略を説明する。 これらの結果は、物理インフォームドされた説明可能な一般化されたフレームワークへの道を開き、モデルのパラメータから物理法則と原理を抽出することができる。
  論文  参考訳（メタデータ） (2024-02-18T20:47:33Z)
• An Unsupervised Deep Learning Approach for the Wave Equation Inverse Problem [12.676629870617337]
  フルウェーブフォーム・インバージョン(FWI)は、高分解能地下物理パラメータを推定する強力な物理画像技術である。 観測の限界、限られたショットや受信機、ランダムノイズなどにより、従来の逆転法は多くの課題に直面している。 物理速度パラメータを正確に再構成することを目的とした教師なし学習手法を提案する。
  論文  参考訳（メタデータ） (2023-11-08T08:39:33Z)
• Training Integrable Parameterizations of Deep Neural Networks in the Infinite-Width Limit [0.0]
  大きな幅のダイナミクスは実世界のディープネットワークに関する実践的な洞察を導いてきた。 2層ニューラルネットワークでは、トレーニングされたモデルの性質が初期ランダムウェイトの大きさによって根本的に変化することが理解されている。 この自明な振る舞いを避けるための様々な手法を提案し、その結果のダイナミクスを詳細に分析する。
  論文  参考訳（メタデータ） (2021-10-29T07:53:35Z)
• Dynamic Neural Diversification: Path to Computationally Sustainable Neural Networks [68.8204255655161]
  訓練可能なパラメータが制限された小さなニューラルネットワークは、多くの単純なタスクに対してリソース効率の高い候補となる。 学習過程において隠れた層内のニューロンの多様性を探索する。 ニューロンの多様性がモデルの予測にどのように影響するかを分析する。
  論文  参考訳（メタデータ） (2021-09-20T15:12:16Z)
• Hybrid neural network reduced order modelling for turbulent flows with geometric parameters [0.0]
  本稿では,幾何的パラメータ化不可能な乱流Navier-Stokes問題の解法として,古典的ガレルキン射影法とデータ駆動法を併用して,多目的かつ高精度なアルゴリズムを提案する。 本手法の有効性は,古典学のバックステップ問題と形状変形Ahmed体応用の2つの異なるケースで実証された。
  論文  参考訳（メタデータ） (2021-07-20T16:06:18Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)
• Multi-Task Learning for Multi-Dimensional Regression: Application to Luminescence Sensing [0.0]
  非線形回帰に対する新しいアプローチは、ニューラルネットワーク、特に十分な数の隠蔽層と適切な出力ニューロンを持つフィードフォワードアーキテクチャを使用することである。 本稿では,マルチタスク学習(MTL)アーキテクチャを提案する。これらは,共通レイヤの出力を入力とするタスク固有のレイヤの複数のブランチによって特徴付けられる。 多次元回帰に対するこのアプローチのパワーを実証するため, 蛍光センシングに本手法を適用した。
  論文  参考訳（メタデータ） (2020-07-27T21:23:51Z)
• Total Deep Variation: A Stable Regularizer for Inverse Problems [71.90933869570914]
  本稿では,データ駆動型汎用全深度変動正規化器について紹介する。 コアでは、畳み込みニューラルネットワークが複数のスケールや連続したブロックで局所的な特徴を抽出する。 我々は多数の画像処理タスクに対して最先端の結果を得る。
  論文  参考訳（メタデータ） (2020-06-15T21:54:15Z)
• Kernel and Rich Regimes in Overparametrized Models [69.40899443842443]
  過度にパラメータ化された多層ネットワーク上の勾配勾配は、RKHSノルムではないリッチな暗黙バイアスを誘発できることを示す。 また、より複雑な行列分解モデルと多層非線形ネットワークに対して、この遷移を実証的に示す。
  論文  参考訳（メタデータ） (2020-02-20T15:43:02Z)

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。