論文の概要: Unified, Verifiable Neural Simulators for Electromagnetic Wave Inverse Problems
- arxiv url: http://arxiv.org/abs/2404.00545v1
- Date: Sun, 31 Mar 2024 03:23:29 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-04 03:10:31.564994
- Title: Unified, Verifiable Neural Simulators for Electromagnetic Wave Inverse Problems
- Title（参考訳）: 電磁波逆問題に対する統一検証型ニューラルシミュレータ
- Authors: Charles Dove, Jatearoon Boondicharern, Laura Waller,
- Abstract要約: 我々は、数千のDoF、波長、照明波面、およびフリーフォームの散乱シミュレーションに対処できる単一の統一モデルを示す。
本研究は,既存の散乱シミュレータにおいて,普遍的かつ精度の高いニューラルサロゲートへの道を示すものである。
- 参考スコア（独自算出の注目度）: 1.6795461001108096
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Simulators based on neural networks offer a path to orders-of-magnitude faster electromagnetic wave simulations. Existing models, however, only address narrowly tailored classes of problems and only scale to systems of a few dozen degrees of freedom (DoFs). Here, we demonstrate a single, unified model capable of addressing scattering simulations with thousands of DoFs, of any wavelength, any illumination wavefront, and freeform materials, within broad configurable bounds. Based on an attentional multi-conditioning strategy, our method also allows non-recurrent supervision on and prediction of intermediate physical states, which provides improved generalization with no additional data-generation cost. Using this O(1)-time intermediate prediction capability, we propose and prove a rigorous, efficiently computable upper bound on prediction error, allowing accuracy guarantees at inference time for all predictions. After training solely on randomized systems, we demonstrate the unified model across a suite of challenging multi-disciplinary inverse problems, finding strong efficacy and speed improvements up to 96% for problems in optical tomography, beam shaping through volumetric random media, and freeform photonic inverse design, with no problem-specific training. Our findings demonstrate a path to universal, verifiably accurate neural surrogates for existing scattering simulators, and our conditioning and training methods are directly applicable to any PDE admitting a time-domain iterative solver.
- Abstract（参考訳）: ニューラルネットワークに基づくシミュレータは、より高速な電磁波シミュレーションのための経路を提供する。
しかし、既存のモデルは、わずかに調整された問題のクラスにのみ対応し、数十自由度(DoF)のシステムにしかスケールしない。
ここでは, 波長, 照明波面, フリーフォーム材料を含む数千のDoFによる散乱シミュレーションを, 広い構成可能な領域内で処理可能な単一統一モデルを示す。
注意的マルチコンディショニング戦略に基づき,中間状態の非反復的な監視と予測を可能にし,データ生成コストを増大させることなく一般化を実現する。
このO(1)時間中間予測機能を用いて、予測誤差に対する厳密で効率的な計算可能な上限を提案し、全ての予測に対する推論時間での精度保証を可能にする。
光トモグラフィー、ボリュームランダムメディアによるビーム整形、およびフリーフォームフォトニック逆設計において、問題固有のトレーニングを伴わずに、高い効率と速度向上を96%まで達成し、複数の分野の逆問題に挑戦する一貫したモデルを実証した。
提案手法は, 時間領域反復解法を許容する任意のPDEに対して適用可能であることを示す。
関連論文リスト
- PIC2O-Sim: A Physics-Inspired Causality-Aware Dynamic Convolutional Neural Operator for Ultra-Fast Photonic Device FDTD Simulation [18.832901682895944]
我々は,光デバイスシミュレーションのための物理インスパイアされたAIベースの予測フレームワーク PIC2OSim を提案する。
PIC2O-Simは51.2%のロールアウト予測誤差を提供し、パラメータは最先端のニューラル演算子よりも23.5倍少ない。
論文 参考訳（メタデータ） (2024-06-24T18:15:36Z) - Accelerating Scalable Graph Neural Network Inference with Node-Adaptive
Propagation [80.227864832092]
グラフニューラルネットワーク(GNN)は、様々なアプリケーションで例外的な効果を発揮している。
大規模グラフの重大化は,GNNによるリアルタイム推論において重要な課題となる。
本稿では,オンライン伝搬フレームワークと2つの新しいノード適応伝搬手法を提案する。
論文 参考訳（メタデータ） (2023-10-17T05:03:00Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Reliable Beamforming at Terahertz Bands: Are Causal Representations the
Way Forward? [85.06664206117088]
マルチユーザ無線システムは、テラヘルツ帯域と大量のアンテナを利用することで、メタバース要件を満たすことができる。
既存の解にはチャネル力学の適切なモデリングが欠如しており、その結果、高流動シナリオにおける不正確なビームフォーミング解が生じる。
ここでは、変分因果推論における新しい人工知能アルゴリズムを利用して、動的で意味論的に認識されたビームフォーミングソリューションを初めて提案する。
論文 参考訳（メタデータ） (2023-03-14T16:02:46Z) - NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with
Spatial-temporal Decomposition [67.46012350241969]
本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。
元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。
本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
論文 参考訳（メタデータ） (2023-02-20T19:36:52Z) - A Spatio-Temporal Neural Network Forecasting Approach for Emulation of
Firefront Models [11.388800758488314]
モデルエミュレーションのための専用時間ニューラルネットワークベースのフレームワークを提案する。
提案手法は、ニューラルネットワークに基づくアプローチにおいてしばしば困難となる、空間的および時間的細部での予測を近似することができる。
実証実験では、シミュレーションとエミュレートされたファイアフロント間の良好な一致が示され、平均的なジャカードスコアは0.76である。
論文 参考訳（メタデータ） (2022-06-17T03:11:18Z) - Seismic wave propagation and inversion with Neural Operators [7.296366040398878]
我々は、最近開発されたNeural Operatorと呼ばれる機械学習パラダイムを用いて、一般的なソリューションを学習するためのプロトタイプフレームワークを開発した。
訓練されたニューラル演算子は、任意の速度構造やソース位置について、無視可能な時間で解を計算することができる。
本手法を2次元音響波動方程式を用いて説明し, 地震トモグラフィへの適用性を実証する。
論文 参考訳（メタデータ） (2021-08-11T19:17:39Z) - Long-time integration of parametric evolution equations with
physics-informed DeepONets [0.0]
ランダムな初期条件を関連するPDE解に短時間でマッピングする無限次元演算子を学習するための効果的なフレームワークを提案する。
その後、訓練されたモデルを反復的に評価することにより、一連の初期条件にわたるグローバルな長期予測が得られる。
これは時間領域分解に対する新しいアプローチを導入し、正確な長期シミュレーションを実行するのに有効であることを示した。
論文 参考訳（メタデータ） (2021-06-09T20:46:17Z) - Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。
我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
論文 参考訳（メタデータ） (2021-06-03T00:02:05Z) - EikoNet: Solving the Eikonal equation with Deep Neural Networks [6.735657356113614]
我々はEikoNetを提案する。EikoNetはEikonal方程式を解くための深層学習手法である。
我々のグリッドフリーアプローチは、連続した3次元領域内の任意の2点間の移動時間を迅速に決定できる。
この手法は, 地震震源インバージョン, レイ・マルチパス, トモグラフィー・モデリングに重要な応用がある。
論文 参考訳（メタデータ） (2020-03-25T02:31:53Z) - Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
本稿では,機械学習のフレームワークとモデルの実装について紹介する。
グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。
我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
論文 参考訳（メタデータ） (2020-02-21T16:44:28Z)
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。