論文の概要: Parameter-Efficient Electromagnetic Surrogate Solver for Broadband Field Prediction using Discrete Wavelength Data

• arxiv url: http://arxiv.org/abs/2408.02971v2
• Date: Tue, 11 Mar 2025 03:02:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-12 15:38:43.609076
• Title: Parameter-Efficient Electromagnetic Surrogate Solver for Broadband Field Prediction using Discrete Wavelength Data
• Title（参考訳）: 離散波長データを用いた広帯域電界予測のためのパラメータ効率の良い電磁サロゲート解法
• Authors: Joonhyuk Seo, Chanik Kang, Dongjin Seo, Haejun Chung,
• Abstract要約: 連続的な波長範囲で解を提供できるブロードバンド・サロゲート・サロゲート・ソルバを提案する。 最先端のサロゲート解法と比較して、トレーニングされていない波長の予測精度が80.5%向上した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Recently, electromagnetic surrogate solvers, trained on solutions of Maxwell's equations under specific simulation conditions, enabled real-time inference of computationally expensive simulations. However, conventional surrogate solvers often consider only a narrow range of simulation parameters and fail when encountering even slight variations in simulation conditions. To address this limitation, we propose a broadband surrogate solver capable of providing solutions across a continuous range of wavelengths, even when trained on discrete wavelength data. Our approach leverages a Wave-Informed element-wise Multiplicative Encoding and a Fourier Group Convolutional Shuffling operator to mitigate overfitting while capturing the fundamental characteristics of Maxwell's equations. Compared to the state-of-the-art surrogate solver, our model achieves a 74% reduction in parameters, an 80.5% improvement in prediction accuracy for untrained wavelengths, demonstrating superior generalization and efficiency.
• Abstract（参考訳）: 近年、特定のシミュレーション条件下でマクスウェル方程式の解を訓練した電磁代理解法により、計算に高価なシミュレーションのリアルタイム推論が可能となった。 しかし、従来のサロゲート解法では、シミュレーション条件のわずかな変化に遭遇した場合に、狭い範囲のシミュレーションパラメータとフェールしか考慮しないことが多い。 この制限に対処するために、離散波長データに基づいて訓練しても、連続的な波長範囲のソリューションを提供することのできるブロードバンドサロゲートソルバを提案する。 我々の手法は、ウェーブインフォームド要素ワイド乗法エンコーディングとフーリエ群畳み込みシャッフル演算子を利用して、マクスウェル方程式の基本特性を捉えながらオーバーフィッティングを緩和する。 現状のサロゲート解法と比較して, パラメータの74%削減, 未学習波長の予測精度80.5%向上を実現し, より優れた一般化と効率性を示した。

関連論文リスト

• Multi-frequency wavefield solutions for variable velocity models using meta-learning enhanced low-rank physics-informed neural network [3.069335774032178]
  物理インフォームドニューラルネットワーク(PINN)は、複雑な速度モデルにおける多周波波場をモデル化する上で大きな課題に直面している。 本稿では,低ランクパラメータ化とメタラーニング,周波数埋め込みを組み合わせた新しいフレームワークMeta-LRPINNを提案する。 数値実験により,Meta-LRPINNはベースライン法に比べて高速に収束し,精度が高いことがわかった。
  論文  参考訳（メタデータ） (2025-02-02T20:12:39Z)
• Unified, Verifiable Neural Simulators for Electromagnetic Wave Inverse Problems [1.6795461001108096]
  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。
  論文  参考訳（メタデータ） (2024-03-31T03:23:29Z)
• Neural Operators for Accelerating Scientific Simulations and Design [85.89660065887956]
  Neural Operatorsとして知られるAIフレームワークは、継続的ドメインで定義された関数間のマッピングを学習するための原則的なフレームワークを提供する。 ニューラルオペレータは、計算流体力学、天気予報、物質モデリングなど、多くのアプリケーションで既存のシミュレータを拡張または置き換えることができる。
  論文  参考訳（メタデータ） (2023-09-27T00:12:07Z)
• Machine learning for phase-resolved reconstruction of nonlinear ocean wave surface elevations from sparse remote sensing data [37.69303106863453]
  ニューラルネットワークを用いた位相分解波面再構成のための新しい手法を提案する。 提案手法は,一次元格子を用いた合成的かつ高精度な訓練データを利用する。
  論文  参考訳（メタデータ） (2023-05-18T12:30:26Z)
• Variational waveguide QED simulators [58.720142291102135]
  導波管QEDシミュレータは1次元フォトニックバンドギャップ材料と相互作用する量子エミッタによって構成される。 ここでは、これらの相互作用がより効率的な変分量子アルゴリズムを開発するためのリソースとなることを実証する。
  論文  参考訳（メタデータ） (2023-02-03T18:55:08Z)
• Forecasting subcritical cylinder wakes with Fourier Neural Operators [58.68996255635669]
  実験によって測定された速度場の時間的変化を予測するために,最先端の演算子学習手法を適用した。 その結果、FNOはレイノルズ数の範囲で実験速度場の進化を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2023-01-19T20:04:36Z)
• Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
  本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。 この研究は、単一変換による周波数領域学習のための青写真を導入している。
  論文  参考訳（メタデータ） (2022-11-26T01:56:05Z)
• Quantum-inspired optimization for wavelength assignment [51.55491037321065]
  波長割当問題を解くための量子インスピレーションアルゴリズムを提案し,開発する。 本研究は,電気通信における現実的な問題に対する量子インスパイアされたアルゴリズムの活用の道筋をたどるものである。
  論文  参考訳（メタデータ） (2022-11-01T07:52:47Z)
• Solving Seismic Wave Equations on Variable Velocity Models with Fourier Neural Operator [3.2307366446033945]
  本稿では,FNOに基づく解法を効率的に学習するための新しいフレームワークであるFourier Neural operator (PFNO)を提案する。 数値実験により、複雑な速度モデルによるFNOとPFNOの精度が示された。 PFNOは、従来の有限差分法と比較して、大規模なテストデータセットの計算効率が高いことを認めている。
  論文  参考訳（メタデータ） (2022-09-25T22:25:57Z)
• Bosonic field digitization for quantum computers [62.997667081978825]
  我々は、離散化された場振幅ベースで格子ボゾン場の表現に対処する。 本稿では,エラースケーリングを予測し,効率的な量子ビット実装戦略を提案する。
  論文  参考訳（メタデータ） (2021-08-24T15:30:04Z)
• 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)

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。