論文の概要: Inverse Design of Photonic Crystal Surface Emitting Lasers is a Sequence Modeling Problem

• arxiv url: http://arxiv.org/abs/2403.05149v1
• Date: Fri, 8 Mar 2024 08:38:50 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-11 20:26:56.236094
• Title: Inverse Design of Photonic Crystal Surface Emitting Lasers is a Sequence Modeling Problem
• Title（参考訳）: フォトニック結晶表面発光レーザの逆設計はシーケンスモデリング問題である
• Authors: Ceyao Zhang, Renjie Li, Cheng Zhang, Zhaoyu Zhang, Feng Yin
• Abstract要約: フォトニック結晶表面発光レーザー(PCSEL)の逆設計は、物理学、材料科学、量子力学の専門知識を必要とする。 高度なAI技術、特に強化学習(RL)は、この逆設計プロセスを強化し加速するための強力なツールとして登場した。 本稿では,PCSEL の逆設計をシーケンスモデリング問題として抽象化する PCSEL Inverse Design Transformer (PiT) という新しいフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 14.4481736034135
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Photonic Crystal Surface Emitting Lasers (PCSEL)'s inverse design demands expert knowledge in physics, materials science, and quantum mechanics which is prohibitively labor-intensive. Advanced AI technologies, especially reinforcement learning (RL), have emerged as a powerful tool to augment and accelerate this inverse design process. By modeling the inverse design of PCSEL as a sequential decision-making problem, RL approaches can construct a satisfactory PCSEL structure from scratch. However, the data inefficiency resulting from online interactions with precise and expensive simulation environments impedes the broader applicability of RL approaches. Recently, sequential models, especially the Transformer architecture, have exhibited compelling performance in sequential decision-making problems due to their simplicity and scalability to large language models. In this paper, we introduce a novel framework named PCSEL Inverse Design Transformer (PiT) that abstracts the inverse design of PCSEL as a sequence modeling problem. The central part of our PiT is a Transformer-based structure that leverages the past trajectories and current states to predict the current actions. Compared with the traditional RL approaches, PiT can output the optimal actions and achieve target PCSEL designs by leveraging offline data and conditioning on the desired return. Results demonstrate that PiT achieves superior performance and data efficiency compared to baselines.
• Abstract（参考訳）: フォトニック結晶表面発光レーザー(pcsel)の逆設計は、物理学、材料科学、そして強制的に労働集約的な量子力学の専門知識を必要とする。 高度なAI技術、特に強化学習(RL)は、この逆設計プロセスを拡張し加速するための強力なツールとして登場した。 逐次決定問題としてのPCSELの逆設計をモデル化することにより、RLアプローチはスクラッチから良好なPCSEL構造を構築することができる。 しかし、正確で高価なシミュレーション環境とのオンラインインタラクションによるデータ非効率は、RLアプローチの適用性を妨げている。 近年、シーケンシャルモデル、特にトランスフォーマーアーキテクチャは、大規模言語モデルに対する単純さとスケーラビリティのため、シーケンシャルな意思決定問題において魅力的な性能を示している。 本稿では,PCSEL の逆設計をシーケンスモデリング問題として抽象化する PCSEL Inverse Design Transformer (PiT) という新しいフレームワークを提案する。 PiTの中心となる部分はTransformerベースの構造で、過去の軌跡と現在の状態を利用して現在の動作を予測する。 従来のRLアプローチと比較して、PiTは最適な動作を出力し、オフラインデータを活用することでターゲットPCSEL設計を実現する。 その結果,PiTはベースラインよりも優れた性能とデータ効率が得られることがわかった。

関連論文リスト

• Logic Synthesis Optimization with Predictive Self-Supervision via Causal Transformers [19.13500546022262]
  LSOformerは、自動回帰トランスフォーマーモデルと予測SSLを利用して、結果の質の軌道(QoR)を予測する新しいアプローチである。 LSOformerは、クロスアテンションモジュールを統合して、回路グラフと最適化シーケンスからの洞察をマージし、QoRメトリクスの予測精度を向上させる。
  論文  参考訳（メタデータ） (2024-09-16T18:45:07Z)
• Compositional Generative Inverse Design [69.22782875567547]
  入力変数を設計して目的関数を最適化する逆設計は重要な問題である。 拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。 N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
  論文  参考訳（メタデータ） (2024-01-24T01:33:39Z)
• Aligning Optimization Trajectories with Diffusion Models for Constrained Design Generation [17.164961143132473]
  本稿では,拡散モデルのサンプリング軌跡と従来の物理法に基づく最適化軌跡との整合性を示す学習フレームワークを提案する。 提案手法では,高コストプリプロセッシングや外部サロゲートモデル,ラベル付きデータの追加を必要とせずに,実用的で高性能な設計を2段階で生成することができる。 この結果から, TAは分布内構成における最先端の深層生成モデルより優れ, 推論計算コストを半減することがわかった。
  論文  参考訳（メタデータ） (2023-05-29T09:16:07Z)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)
• On Transforming Reinforcement Learning by Transformer: The Development Trajectory [97.79247023389445]
  Transformerは元々自然言語処理用に開発されたもので、コンピュータビジョンでも大きな成功を収めている。 既存の開発をアーキテクチャ拡張と軌道最適化の2つのカテゴリに分類する。 ロボット操作,テキストベースのゲーム,ナビゲーション,自律運転におけるTRLの主な応用について検討する。
  論文  参考訳（メタデータ） (2022-12-29T03:15:59Z)
• Reinforcement Learning as One Big Sequence Modeling Problem [84.84564880157149]
  強化学習(Reinforcement Learning, RL)は、通常、単一ステップポリシーや単一ステップモデルの推定に関係している。 我々は、RLをシーケンスモデリング問題とみなし、高い報酬のシーケンスにつながる一連のアクションを予測することを目標としている。
  論文  参考訳（メタデータ） (2021-06-03T17:58:51Z)
• Decision Transformer: Reinforcement Learning via Sequence Modeling [102.86873656751489]
  本稿では,シーケンスモデリング問題として強化学習(RL)を抽象化するフレームワークを提案する。 本稿では,RLを条件付きシーケンスモデルとして扱うアーキテクチャであるDecision Transformerを提案する。 その単純さにもかかわらず、Decision Transformerは、Atari、OpenAI Gym、Key-to-Doorタスク上での最先端のオフラインRLベースラインのパフォーマンスと一致または超過する。
  論文  参考訳（メタデータ） (2021-06-02T17:53:39Z)
• Efficient pre-training objectives for Transformers [84.64393460397471]
  本研究はトランスフォーマーモデルにおける高効率事前学習目標について検討する。 マスクトークンの除去と損失時のアウトプット全体の考慮が,パフォーマンス向上に不可欠な選択であることを証明する。
  論文  参考訳（メタデータ） (2021-04-20T00:09:37Z)
• Generative Design by Reinforcement Learning: Enhancing the Diversity of Topology Optimization Designs [5.8010446129208155]
  本研究では、トポロジ設計の多様性を最大化する報酬関数を備えた強化学習に基づく生成設計プロセスを提案する。 RLをベースとした生成設計は,GPUを完全自動で活用することにより,短時間で多数の多様な設計を生成できることを示す。
  論文  参考訳（メタデータ） (2020-08-17T06:50:47Z)

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。