論文の概要: An inversion problem for optical spectrum data via physics-guided machine learning
- arxiv url: http://arxiv.org/abs/2404.02387v1
- Date: Wed, 3 Apr 2024 01:02:06 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-04 18:59:11.105160
- Title: An inversion problem for optical spectrum data via physics-guided machine learning
- Title(参考訳): 物理誘導機械学習による光スペクトルデータの逆問題
- Authors: Hwiwoo Park, Jun H. Park, Jungseek Hwang,
- Abstract要約: 測定された光学スペクトルからペアリンググルー関数を導出する問題を解くために,正則化リカレント推論装置(rRIM)を提案する。
rRIMは、トレーニングと推論の両方に物理原則を取り入れ、ノイズの堅牢性、アウト・オブ・ディストリビューションデータによる柔軟性、データ要求の削減を実現している。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose the regularized recurrent inference machine (rRIM), a novel machine-learning approach to solve the challenging problem of deriving the pairing glue function from measured optical spectra. The rRIM incorporates physical principles into both training and inference and affords noise robustness, flexibility with out-of-distribution data, and reduced data requirements. It effectively obtains reliable pairing glue functions from experimental optical spectra and yields promising solutions for similar inverse problems of the Fredholm integral equation of the first kind.
- Abstract(参考訳): 計測光スペクトルからペアリンググルー関数を導出する難題を解決するための,新しい機械学習手法である正規化リカレント推論マシン(rRIM)を提案する。
rRIMは、トレーニングと推論の両方に物理原則を取り入れ、ノイズの堅牢性、アウト・オブ・ディストリビューションデータによる柔軟性、データ要求の削減を実現している。
実験光学スペクトルから信頼性の高いペアリンググルー関数を効果的に取得し、第一種フレドホルム積分方程式の同様の逆問題に対する有望な解を得る。
関連論文リスト
- Neural oscillators for generalization of physics-informed machine
learning [1.893909284526711]
物理インフォームド機械学習(PIML)の最大の課題は、トレーニング領域を超えた一般化である。
本稿では,PIMLの一般化能力の向上をめざし,実用的で現実的な応用を促進することを目的とする。
我々は、PDEソリューションの因果性と時間的逐次特性を利用して、反復的なニューラルアーキテクチャを持つPIMLモデルを融合する。
論文 参考訳(メタデータ) (2023-08-17T13:50:03Z) - ESSAformer: Efficient Transformer for Hyperspectral Image
Super-resolution [76.7408734079706]
単一ハイパースペクトル像超解像(単一HSI-SR)は、低分解能観測から高分解能ハイパースペクトル像を復元することを目的としている。
本稿では,1つのHSI-SRの繰り返し精製構造を持つESSA注目組込みトランスフォーマネットワークであるESSAformerを提案する。
論文 参考訳(メタデータ) (2023-07-26T07:45:14Z) - 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) - Mode structure reconstruction by detected and undetected light [0.0]
マルチモード光電場再構成のための新しい手法を提案する。
本手法は,$g(K)$'sのみに基づいて得られた手法に対して,高忠実度モード再構成を行うことを示した。
本手法の信頼性と汎用性は,光量子計測の実応用に広く応用するのに適している。
論文 参考訳(メタデータ) (2022-12-28T15:46:45Z) - Momentum Diminishes the Effect of Spectral Bias in Physics-Informed
Neural Networks [72.09574528342732]
物理インフォームドニューラルネットワーク(PINN)アルゴリズムは、偏微分方程式(PDE)を含む幅広い問題を解く上で有望な結果を示している。
彼らはしばしば、スペクトルバイアスと呼ばれる現象のために、ターゲット関数が高周波の特徴を含むとき、望ましい解に収束しない。
本研究は, 運動量による勾配降下下で進化するPINNのトレーニングダイナミクスを, NTK(Neural Tangent kernel)を用いて研究するものである。
論文 参考訳(メタデータ) (2022-06-29T19:03:10Z) - Neural network approach to reconstructing spectral functions and complex
poles of confined particles [0.0]
プロパゲータデータからのスペクトル関数の再構成は困難である。
この問題を解決するためにニューラルネットワークを用いた最近の研究が提案されている。
我々は、スペクトル関数を再構成するだけでなく、複雑な極の対や赤外(IR)遮断によって、このアプローチを一般化する。
論文 参考訳(メタデータ) (2022-03-07T11:13:30Z) - Probing the generalized uncertainty principle through quantum noises in
optomechanical systems [0.32771631221674324]
修正ノイズスペクトルを計算し、一般化不確実性原理フレームワーク(GUP)の効果を観測する。
異なる実験からシステムパラメータの値を用いて、ノイズスペクトルから GUP パラメータをはるかに厳密に拘束する。
論文 参考訳(メタデータ) (2021-12-23T07:19:24Z) - Regularization by Denoising Sub-sampled Newton Method for Spectral CT
Multi-Material Decomposition [78.37855832568569]
スペクトルctを用いたマルチマテリアル画像再構成のためのモデルベース最大後課題の解決法を提案する。
特に,プラグイン画像復号化機能に基づく正規化最適化問題について提案する。
スペクトルct材料分解の数値的および実験的結果を示す。
論文 参考訳(メタデータ) (2021-03-25T15:20:10Z) - Differentiable Programming for Hyperspectral Unmixing using a
Physics-based Dispersion Model [9.96234892716562]
本稿では、スペクトル変動を物理に基づくアプローチから考慮し、エンドツーエンドのスペクトルアンミックスアルゴリズムに組み込む。
畳み込みニューラルネットワークを用いた逆レンダリング技術を導入し、トレーニングデータが利用可能な場合のパフォーマンスと速度を向上させる。
結果は、赤外線と近赤外(VNIR)データセットの両方で最先端を達成する。
論文 参考訳(メタデータ) (2020-07-12T14:16:35Z) - Neural Control Variates [71.42768823631918]
ニューラルネットワークの集合が、積分のよい近似を見つけるという課題に直面していることを示す。
理論的に最適な分散最小化損失関数を導出し、実際に安定したオンライントレーニングを行うための代替の複合損失を提案する。
具体的には、学習した光場近似が高次バウンスに十分な品質であることを示し、誤差補正を省略し、無視可能な可視バイアスのコストでノイズを劇的に低減できることを示した。
論文 参考訳(メタデータ) (2020-06-02T11:17:55Z)
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。