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: 翻訳完了
• 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

• Learning spectral density functions in open quantum systems [0.0]
  ノイズデータからスペクトル密度関数を再構成するために, 純劣化チャネルと振幅減衰チャネルを備えた正確に解像可能なスピンボソンモデルを用いる。 我々のニューラルネットワークは、ノイズ信号のフィルタリングと一般的な機能的依存関係の学習によって、構造化された密度を頑健に再構築する。
  論文  参考訳（メタデータ） (2026-02-27T14:45:59Z)
• PhyG-MoE: A Physics-Guided Mixture-of-Experts Framework for Energy-Efficient GNSS Interference Recognition [49.955269674859004]
  本稿では,PhyG-MoE(Physics-Guided Mixture-of-Experts)について述べる。 静的アーキテクチャとは異なり、提案システムはスペクトル特性の絡み合いに基づいて信号をルーティングするスペクトルベースのゲーティング機構を用いる。 高容量のTransNeXtエキスパートがオンデマンドでアクティベートされ、飽和シナリオで複雑な機能を分離する一方、軽量のエキスパートは基本的なシグナルを処理してレイテンシを最小化する。
  論文  参考訳（メタデータ） (2026-01-19T07:57:52Z)
• Deep Deterministic Nonlinear ICA via Total Correlation Minimization with Matrix-Based Entropy Functional [41.05541240448253]
  ブラインドソース分離、特に独立成分分析(ICA)は、様々な信号処理領域で広く利用されている。 本稿では、これらの制約に対処するために設計された新しいディープニューラルネットワークベースのフレームワークであるディープ決定論的非線形独立成分分析(DDICA)を提案する。 DDICAは, シミュレーション信号混合, ハイパースペクトル画像アンミックス, 一次受容野のモデリング, およびfMRIデータ解析など, 様々な応用で検証された。
  論文  参考訳（メタデータ） (2025-12-31T19:44:19Z)
• APRIL: Auxiliary Physically-Redundant Information in Loss - A physics-informed framework for parameter estimation with a gravitational-wave case study [0.0]
  物理情報ニューラルネットワーク(PINN)は、ニューラルネットワークのトレーニングに直接、システムを管理する偏微分方程式を組み込む。 本稿では,損失に物理的に依存する補助的な情報を含めることによる補完的アプローチを提案する。 数学的にこれらの用語は、損失景観を再構成しながら、真の物理的最小値を保存することを実証する。
  論文  参考訳（メタデータ） (2025-10-15T15:34:19Z)
• High-Fidelity Prediction of Perturbed Optical Fields using Fourier Feature Networks [0.0]
  本稿では,多モードファイバの摂動依存性伝達行列を学習する,データ効率のよい機械学習フレームワークを提案する。 圧縮繊維による実験データから, 実測値と0.995の複素相関を持つ出力場を予測した。 このアプローチは、スパース測定から複雑な光学系をモデル化するための一般的なツールを提供する。
  論文  参考訳（メタデータ） (2025-08-27T10:25:57Z)
• Physics-Guided Dual Implicit Neural Representations for Source Separation [70.38762322922211]
  我々は,2つの暗黙的ニューラル表現フレームワークを用いて,ソース分離のための自己教師型機械学習手法を開発した。 本手法は,復元に基づく損失関数の最小化により,生データから直接学習する。 本手法は,様々な領域にまたがるソース分離問題に対処する汎用的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2025-07-07T17:56:31Z)
• Point-Calibrated Spectral Neural Operators [54.13671100638092]
  点レベル適応スペクトルベースで関数を近似することで演算子マッピングを学習する。 点平衡スペクトル演算子は点レベル適応スペクトルベースで関数を近似することで演算子マッピングを学習する。
  論文  参考訳（メタデータ） (2024-10-15T08:19:39Z)
• Generalizable Non-Line-of-Sight Imaging with Learnable Physical Priors [52.195637608631955]
  非視線画像(NLOS)は、その潜在的な応用により注目されている。 既存のNLOS再構成アプローチは、経験的物理的前提に依存して制約される。 本稿では,Learningable Path Compensation(LPC)とAdaptive Phasor Field(APF)の2つの主要な設計を含む,学習に基づく新しいソリューションを提案する。
  論文  参考訳（メタデータ） (2024-09-21T04:39:45Z)
• A finite operator learning technique for mapping the elastic properties of microstructures to their mechanical deformations [0.0]
  本稿では,有限要素法の中核となる概念を物理インフォームドニューラルネットワークと統合し,ニューラル演算子の概念を提案する。 このアプローチは各手法を一般化し、他のリソースのデータに頼ることなく、機械的問題に対するパラメトリック解を学習する。
  論文  参考訳（メタデータ） (2024-03-28T19:57:48Z)
• 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)
• 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)
• 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)
• 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。