論文の概要: Fiber Transmission Model with Parameterized Inputs based on GPT-PINN Neural Network
- arxiv url: http://arxiv.org/abs/2408.09947v1
- Date: Mon, 19 Aug 2024 12:37:15 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-20 16:24:38.620914
- Title: Fiber Transmission Model with Parameterized Inputs based on GPT-PINN Neural Network
- Title（参考訳）: GPT-PINNニューラルネットを用いたパラメータ入力を用いたファイバ伝送モデル
- Authors: Yubin Zang, Boyu Hua, Zhipeng Lin, Fangzheng Zhang, Simin Li, Zuxing Zhang, Hongwei Chen,
- Abstract要約: 短距離伝送のための新規な原理駆動ファイバ伝送モデルが提案される。
2Gbpsから50Gbpsまでのビットレートを持つオンオフ鍵信号のタスクをモデルの有効性を示すために採用する。
- 参考スコア（独自算出の注目度）: 5.687110567253701
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this manuscript, a novelty principle driven fiber transmission model for short-distance transmission with parameterized inputs is put forward. By taking into the account of the previously proposed principle driven fiber model, the reduced basis expansion method and transforming the parameterized inputs into parameterized coefficients of the Nonlinear Schrodinger Equations, universal solutions with respect to inputs corresponding to different bit rates can all be obtained without the need of re-training the whole model. This model, once adopted, can have prominent advantages in both computation efficiency and physical background. Besides, this model can still be effectively trained without the needs of transmitted signals collected in advance. Tasks of on-off keying signals with bit rates ranging from 2Gbps to 50Gbps are adopted to demonstrate the fidelity of the model.
- Abstract（参考訳）: 本稿では,パラメータ化入力を用いた短距離伝送のための新規な原理駆動ファイバ伝送モデルを提案する。
従来提案されていた基本展開法とパラメータ化入力を非線形シュロディンガー方程式のパラメータ化係数に変換することで,各ビットレートに応じた入力に対する普遍解が,モデル全体を再学習することなく得られる。
このモデルは一旦採用され、計算効率と物理的背景の両方において顕著な優位性を持つ。
さらに、このモデルは、事前に収集された送信信号の必要なしに、効果的に訓練することができる。
2Gbpsから50Gbpsまでのビットレートを持つオンオフ鍵信号のタスクをモデルの有効性を示すために採用する。
関連論文リスト
- Principle Driven Parameterized Fiber Model based on GPT-PINN Neural Network [5.452279754228114]
本論文では,原理駆動型パラメタライズドファイバモデルを提案する。
このモデルは、予測されたNLSE解を1組の伝送条件から複数の固有解の線形結合に分解する。
強い物理的解釈可能性を持つだけでなく、より高い計算効率を得ることができる。
論文 参考訳（メタデータ） (2024-08-19T12:44:00Z) - TGPT-PINN: Nonlinear model reduction with transformed GPT-PINNs [1.6093211760643649]
我々はTGPT-PINN(Transformed Generative Pre-Trained Physics-Informed Neural Networks)を紹介する。
TGPT-PINNは、スナップショットベースのモデル縮小を実現するネットワーク・オブ・ネットワークの設計である。
いくつかの非自明な偏微分方程式により, PINN フレームワークの非線形モデル削減機能を示す。
論文 参考訳（メタデータ） (2024-03-06T04:49:18Z) - Improving Transferability of Adversarial Examples via Bayesian Attacks [84.90830931076901]
モデル入力にベイズ定式化を組み込むことにより,モデル入力とモデルパラメータの共分散を可能にする新しい拡張を導入する。
提案手法は,トランスファーベース攻撃に対する新たな最先端技術を実現し,ImageNetとCIFAR-10の平均成功率をそれぞれ19.14%,2.08%向上させる。
論文 参考訳（メタデータ） (2023-07-21T03:43:07Z) - Joint Bayesian Inference of Graphical Structure and Parameters with a
Single Generative Flow Network [59.79008107609297]
本稿では,ベイジアンネットワークの構造上の結合後部を近似する手法を提案する。
サンプリングポリシが2フェーズプロセスに従う単一のGFlowNetを使用します。
パラメータは後部分布に含まれるため、これは局所確率モデルに対してより柔軟である。
論文 参考訳（メタデータ） (2023-05-30T19:16:44Z) - On feedforward control using physics-guided neural networks: Training
cost regularization and optimized initialization [0.0]
モデルベースのフィードフォワードコントローラの性能は、典型的には逆システム力学モデルの精度によって制限される。
本稿では,特定物理パラメータを用いた正規化手法を提案する。
実生活の産業用リニアモーターで検証され、追跡精度と外挿の精度が向上する。
論文 参考訳（メタデータ） (2022-01-28T12:51:25Z) - Physics-constrained deep neural network method for estimating parameters
in a redox flow battery [68.8204255655161]
バナジウムフローバッテリ(VRFB)のゼロ次元(0D)モデルにおけるパラメータ推定のための物理拘束型ディープニューラルネットワーク(PCDNN)を提案する。
そこで, PCDNN法は, 動作条件のモデルパラメータを推定し, 電圧の0Dモデル予測を改善することができることを示す。
また,PCDNNアプローチでは,トレーニングに使用しない操作条件のパラメータ値を推定する一般化能力が向上することが実証された。
論文 参考訳（メタデータ） (2021-06-21T23:42:58Z) - Adaptive conversion of real-valued input into spike trains [91.3755431537592]
本稿では,実数値入力をスパイクトレインに変換し,スパイクニューラルネットワークで処理する方法を提案する。
提案手法は網膜神経節細胞の適応的挙動を模倣し,入力ニューロンが入力の統計の変化に応答することを可能にする。
論文 参考訳（メタデータ） (2021-04-12T12:33:52Z) - NanoFlow: Scalable Normalizing Flows with Sublinear Parameter Complexity [28.201670958962453]
正規化フロー(NFs)は、分析確率密度の推定と効率的な合成を可能にする深層生成モデルの顕著な方法となっている。
本稿では,1つのニューラルネットワーク密度推定器を用いて,複数の変換ステージをモデル化するNanoFlowというパラメータ化手法を提案する。
論文 参考訳（メタデータ） (2020-06-11T09:35:00Z) - Flexible Transmitter Network [84.90891046882213]
現在のニューラルネットワークはMPモデルに基づいて構築されており、通常はニューロンを他のニューロンから受信した信号の実際の重み付け集約上での活性化関数の実行として定式化する。
本稿では,フレキシブル・トランスミッタ(FT)モデルを提案する。
本稿では、最も一般的な完全接続型フィードフォワードアーキテクチャ上に構築された、フレキシブルトランスミッタネットワーク(FTNet)について述べる。
論文 参考訳（メタデータ） (2020-04-08T06:55:12Z) - Model Fusion via Optimal Transport [64.13185244219353]
ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。
これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
論文 参考訳（メタデータ） (2019-10-12T22:07:15Z)
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。