論文の概要: Artificial Intelligence-Generated Terahertz Multi-Resonant Metasurfaces
via Improved Transformer and CGAN Neural Networks
- arxiv url: http://arxiv.org/abs/2307.11794v1
- Date: Fri, 21 Jul 2023 02:49:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-25 19:37:13.656222
- Title: Artificial Intelligence-Generated Terahertz Multi-Resonant Metasurfaces
via Improved Transformer and CGAN Neural Networks
- Title（参考訳）: 改良されたトランスフォーマーとcganニューラルネットワークによる人工知能によるテラヘルツ多重共鳴メタサーフェス
- Authors: Yangpeng Huang, Naixing Feng, Yijun Cai
- Abstract要約: グラフェン変成層の逆設計のための改良されたトランスフォーマーと条件付き生成対向ニューラルネットワーク(CGAN)を提案する。
改良されたTransformerは、StoV(Spectrum to Vector)スペクトルにおいて高い精度と一般化性能を得ることができる。
CGANは、所望の多重共鳴吸収スペクトルから直接グラフェン準曲面画像の逆設計を実現することができる。
- 参考スコア（独自算出の注目度）: 2.1592777170316366
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: It is well known that the inverse design of terahertz (THz) multi-resonant
graphene metasurfaces by using traditional deep neural networks (DNNs) has
limited generalization ability. In this paper, we propose improved Transformer
and conditional generative adversarial neural networks (CGAN) for the inverse
design of graphene metasurfaces based upon THz multi-resonant absorption
spectra. The improved Transformer can obtain higher accuracy and generalization
performance in the StoV (Spectrum to Vector) design compared to traditional
multilayer perceptron (MLP) neural networks, while the StoI (Spectrum to Image)
design achieved through CGAN can provide more comprehensive information and
higher accuracy than the StoV design obtained by MLP. Moreover, the improved
CGAN can achieve the inverse design of graphene metasurface images directly
from the desired multi-resonant absorption spectra. It is turned out that this
work can finish facilitating the design process of artificial
intelligence-generated metasurfaces (AIGM), and even provide a useful guide for
developing complex THz metasurfaces based on 2D materials using generative
neural networks.
- Abstract（参考訳）: 従来のディープニューラルネットワーク(DNN)を用いたテラヘルツ(THz)多共振グラフェン準曲面の逆設計は、限定的な一般化能力を有することが知られている。
本稿では, THz多共振吸収スペクトルに基づくグラフェン準曲面の逆設計のための改良型トランスフォーマーと条件付き逆方向ニューラルネットワーク(CGAN)を提案する。
改良されたトランスフォーマーは、従来のマルチ層パーセプトロン(MLP)ニューラルネットワークと比較してStoV(Spectrum to Vector)設計の精度と一般化性能が向上し、CGANにより達成されたStoI(Spectrum to Image)設計は、MLPによって得られたStoV設計よりもより包括的な情報と精度を提供することができる。
さらに,改良されたCGANは,所望の多共振吸収スペクトルから直接グラフェン変色画像の逆設計を実現することができる。
この研究は、AIGM(AIGM)の設計プロセスの簡易化に役立ち、生成ニューラルネットワークを用いた2次元材料に基づく複雑なTHz変成層の開発に有用なガイドを提供することができることが判明した。
関連論文リスト
- Anchor-Controlled Generative Adversarial Network for High-Fidelity Electromagnetic and Structurally Diverse Metasurface Design [6.452006201454395]
電磁的忠実度と構造的多様性を改善するために,AcGAN(Anchor-control Generative Adversarial Network)を提案する。
AcGANはMean Squared Error (MSE) を73%削減する。
論文 参考訳（メタデータ） (2024-08-29T03:11:55Z) - DeepGate3: Towards Scalable Circuit Representation Learning [9.910071321534682]
回路表現学習は電子設計自動化(EDA)の分野を前進させる有望な成果を示した
DeepGate Familyのような既存のモデルは、主にグラフニューラルネットワーク(GNN)を使用して、回路網リストをゲートレベルの埋め込みにエンコードする。
我々は,最初のGNN処理に従ってTransformerモジュールを統合する拡張アーキテクチャであるDeepGate3を紹介する。
論文 参考訳（メタデータ） (2024-07-15T02:44:21Z) - B-cos Alignment for Inherently Interpretable CNNs and Vision
Transformers [97.75725574963197]
本稿では,深層ニューラルネットワーク(DNN)の学習における重み付けの促進による解釈可能性の向上に向けた新たな方向性を提案する。
このような変換の列は、完全なモデル計算を忠実に要約する単一の線形変換を誘導することを示す。
得られた説明は視覚的品質が高く,定量的解釈可能性指標下では良好に機能することを示す。
論文 参考訳（メタデータ） (2023-06-19T12:54:28Z) - NAR-Former V2: Rethinking Transformer for Universal Neural Network
Representation Learning [25.197394237526865]
本稿では,トランスフォーマーに基づく汎用ニューラルネットワーク表現学習モデル NAR-Former V2 を提案する。
具体的には、ネットワークをグラフとして取り、簡単なトークン化器を設計して、ネットワークをシーケンスにエンコードする。
我々は,GNNの帰納的表現学習能力をTransformerに組み込んだ。
論文 参考訳（メタデータ） (2023-06-19T09:11:04Z) - Deep-Learning Empowered Inverse Design for Freeform Reconfigurable
Metasurfaces [3.728073286482581]
本稿では,自由形再構成可能な準曲面に対して,深層学習による逆設計手法を提案する。
畳み込みニューラルネットワークモデルは、自由形メタ原子の応答を予測するために訓練される。
逆設計の広帯域再構成可能な準曲面プロトタイプを作製し,ビーム走査用として測定した。
論文 参考訳（メタデータ） (2022-11-11T15:01:32Z) - Learnable Filters for Geometric Scattering Modules [64.03877398967282]
最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。
我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
論文 参考訳（メタデータ） (2022-08-15T22:30:07Z) - Less is More: Pay Less Attention in Vision Transformers [61.05787583247392]
注意の少ないvIsion Transformerは、畳み込み、完全接続層、自己アテンションが、画像パッチシーケンスを処理するためにほぼ同等な数学的表現を持つという事実に基づいている。
提案したLITは、画像分類、オブジェクト検出、インスタンス分割を含む画像認識タスクにおいて有望な性能を達成する。
論文 参考訳（メタデータ） (2021-05-29T05:26:07Z) - 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) - Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。
我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
論文 参考訳（メタデータ） (2020-10-06T01:20:27Z) - Binarized Graph Neural Network [65.20589262811677]
我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。
提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。
実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
論文 参考訳（メタデータ） (2020-04-19T09:43:14Z) - A Freeform Dielectric Metasurface Modeling Approach Based on Deep Neural
Networks [7.039798390237901]
本稿では, 深層学習に基づくメタサイト/メタ原子モデリング手法を導入し, キャラクタリゼーション時間を大幅に短縮する。
畳み込みニューラルネットワーク(CNN)の構造に基づいて、提案したディープラーニングネットワークは、自由な2Dパターンと異なる格子サイズを持つメタ原子をモデル化することができる。
提案手法は、ミリ秒の時間スケールで、メタ原子の広いスペクトル応答を予測する能力を備えている。
論文 参考訳（メタデータ） (2020-01-01T01:21:36Z)
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。