論文の概要: Photonic Structures Optimization Using Highly Data-Efficient Deep
Learning: Application To Nanofin And Annular Groove Phase Masks
- arxiv url: http://arxiv.org/abs/2309.01995v1
- Date: Tue, 5 Sep 2023 07:19:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-06 16:16:17.177035
- Title: Photonic Structures Optimization Using Highly Data-Efficient Deep
Learning: Application To Nanofin And Annular Groove Phase Masks
- Title（参考訳）: 高データ効率深層学習を用いたフォトニック構造最適化:ナノフィンおよび環状溝位相マスクへの応用
- Authors: Nicolas Roy, Lorenzo K\"onig, Olivier Absil, Charlotte Beauthier,
Alexandre Mayer, Micha\"el Lobet
- Abstract要約: メタ表面は、薄膜光学の領域における光特性の操作のための柔軟なフレームワークを提供する。
本研究の目的は,これらのデバイスに対するサロゲート最適化フレームワークの導入である。
本フレームワークは、天文高コントラストイメージングへの応用に適した2種類の渦位相マスク(VPM)の開発に応用される。
- 参考スコア（独自算出の注目度）: 40.11095094521714
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Metasurfaces offer a flexible framework for the manipulation of light
properties in the realm of thin film optics. Specifically, the polarization of
light can be effectively controlled through the use of thin phase plates. This
study aims to introduce a surrogate optimization framework for these devices.
The framework is applied to develop two kinds of vortex phase masks (VPMs)
tailored for application in astronomical high-contrast imaging. Computational
intelligence techniques are exploited to optimize the geometric features of
these devices. The large design space and computational limitations necessitate
the use of surrogate models like partial least squares Kriging, radial basis
functions, or neural networks. However, we demonstrate the inadequacy of these
methods in modeling the performance of VPMs. To address the shortcomings of
these methods, a data-efficient evolutionary optimization setup using a deep
neural network as a highly accurate and efficient surrogate model is proposed.
The optimization process in this study employs a robust particle swarm
evolutionary optimization scheme, which operates on explicit geometric
parameters of the photonic device. Through this approach, optimal designs are
developed for two design candidates. In the most complex case, evolutionary
optimization enables optimization of the design that would otherwise be
impractical (requiring too much simulations). In both cases, the surrogate
model improves the reliability and efficiency of the procedure, effectively
reducing the required number of simulations by up to 75% compared to
conventional optimization techniques.
- Abstract（参考訳）: metasurfacesは、薄膜光学の領域における光特性を操作するための柔軟な枠組みを提供する。
具体的には、薄板を用いて光の偏光を効果的に制御することができる。
本研究の目的は,これらのデバイスに対するサロゲート最適化フレームワークの導入である。
本フレームワークは、天文高コントラストイメージングへの応用に適した2種類の渦位相マスク(VPM)の開発に応用される。
計算知能技術は、これらのデバイスの幾何学的特徴を最適化するために利用される。
大きな設計空間と計算限界は、部分最小二乗クリグ、ラジアル基底関数、ニューラルネットワークのような代理モデルの使用を必要とする。
しかし,これらの手法がvpmsの性能のモデル化において不十分であることを示す。
これらの手法の欠点に対処するために、ディープニューラルネットワークを高精度かつ効率的な代理モデルとして用いたデータ効率のよい進化的最適化手法を提案する。
本研究の最適化プロセスは、光デバイスにおける明示的な幾何学的パラメータに基づくロバスト粒子群進化最適化方式を用いる。
このアプローチにより、2つの設計候補に対して最適な設計が開発される。
最も複雑な場合、進化的最適化は非現実的(過剰なシミュレーションを必要とする)設計の最適化を可能にする。
どちらの場合も、サロゲートモデルは手順の信頼性と効率を向上し、従来の最適化手法と比較して、必要なシミュレーション数を最大75%削減する。
関連論文リスト
- AI Driven Laser Parameter Search: Inverse Design of Photonic Surfaces using Greedy Surrogate-based Optimization [0.7377466856726481]
特定の光学特性で設計されたフォトニック表面は、様々なエネルギー収穫・貯蔵システムでの使用においてますます重要になっている。
我々はそのような曲面を設計するための代理に基づく最適化手法を開発した。
論文 参考訳（メタデータ） (2024-06-20T19:00:33Z) - Diffusion Model for Data-Driven Black-Box Optimization [54.25693582870226]
我々は、強力な生成AI技術である拡散モデルに注目し、ブラックボックス最適化の可能性について検討する。
本研究では,1)実数値報酬関数のノイズ測定と,2)対比較に基づく人間の嗜好の2種類のラベルについて検討する。
提案手法は,設計最適化問題を条件付きサンプリング問題に再構成し,拡散モデルのパワーを有効活用する。
論文 参考訳（メタデータ） (2024-03-20T00:41:12Z) - Efficient Inverse Design Optimization through Multi-fidelity Simulations, Machine Learning, and Search Space Reduction Strategies [0.8646443773218541]
本稿では,限られた計算量で制約されたシナリオにおける逆設計最適化プロセスの拡張を目的とした手法を提案する。
提案手法はエアフォイル逆設計とスカラーフィールド再構成の2つの異なる工学的逆設計問題について解析する。
特に、この方法は、任意の逆設計アプリケーションに適用可能であり、代表的低忠実MLモデルと高忠実度シミュレーションの相乗効果を容易にし、様々な集団ベース最適化アルゴリズムにシームレスに適用することができる。
論文 参考訳（メタデータ） (2023-12-06T18:20:46Z) - Flexible Isosurface Extraction for Gradient-Based Mesh Optimization [65.76362454554754]
本研究では、勾配に基づくメッシュ最適化について考察し、スカラー場の等曲面として表現することで、3次元表面メッシュを反復的に最適化する。
我々は、幾何学的、視覚的、あるいは物理的目的に対して未知のメッシュを最適化するために特別に設計された、異面表現であるFlexiCubesを紹介する。
論文 参考訳（メタデータ） (2023-08-10T06:40:19Z) - Evolutionary Solution Adaption for Multi-Objective Metal Cutting Process
Optimization [59.45414406974091]
我々は,従来の最適化タスクから解を転送するアルゴリズムの能力を研究することのできる,システムの柔軟性のためのフレームワークを提案する。
NSGA-IIの柔軟性を2つの変種で検討し,1)2つのタスクの解を同時に最適化し,より適応性が高いと期待されるソース間の解を得る,2)活性化あるいは非活性化の異なる可能性に対応する能動的非アクティブなジェノタイプについて検討した。
その結果,標準NSGA-IIによる適応は目標目標への最適化に必要な評価回数を大幅に削減し,提案した変種は適応コストをさらに向上することがわかった。
論文 参考訳（メタデータ） (2023-05-31T12:07:50Z) - Sample-Efficient and Surrogate-Based Design Optimization of Underwater Vehicle Hulls [0.4543820534430522]
本稿では,BO-LCBアルゴリズムが最もサンプリング効率のよい最適化フレームワークであり,最適収束挙動を有することを示す。
また, DNN に基づく代理モデルでは, CFD シミュレーションと密に一致し, 平均絶対パーセンテージ誤差 (MAPE) が 1.85% であることを示す。
本稿では,サロゲートモデルを用いた設計最適化の2次高速化について述べる。
論文 参考訳（メタデータ） (2023-04-24T19:52:42Z) - An Empirical Evaluation of Zeroth-Order Optimization Methods on
AI-driven Molecule Optimization [78.36413169647408]
分子目的を最適化するための様々なZO最適化手法の有効性について検討する。
ZO符号に基づく勾配降下(ZO-signGD)の利点を示す。
本稿では,Guurcamol スイートから広く使用されているベンチマークタスクに対して,ZO 最適化手法の有効性を示す。
論文 参考訳（メタデータ） (2022-10-27T01:58:10Z) - Optimizing High-Dimensional Physics Simulations via Composite Bayesian
Optimization [1.433758865948252]
物理シミュレーションに基づく最適化は、科学と工学において一般的な課題である。
画像出力を効果的にモデル化するために,テンソルベースガウス過程と信頼領域ベイズ最適化を利用したベイズ最適化法を開発した。
論文 参考訳（メタデータ） (2021-11-29T19:29:35Z) - Enhanced data efficiency using deep neural networks and Gaussian
processes for aerodynamic design optimization [0.0]
随伴型最適化法は空気力学的形状設計において魅力的である。
複数の最適化問題が解決されている場合、それらは違法に高価になる可能性がある。
本稿では,高コストな随伴解法に取って代わる機械学習を実現するサロゲートベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2020-08-15T15:09:21Z) - Bayesian Optimization for Selecting Efficient Machine Learning Models [53.202224677485525]
本稿では,予測効率とトレーニング効率の両面において,モデルを協調最適化するための統一ベイズ最適化フレームワークを提案する。
レコメンデーションタスクのためのモデル選択の実験は、この方法で選択されたモデルがモデルのトレーニング効率を大幅に改善することを示している。
論文 参考訳（メタデータ） (2020-08-02T02:56:30Z)
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。