論文の概要: Principle Driven Parameterized Fiber Model based on GPT-PINN Neural Network
- arxiv url: http://arxiv.org/abs/2408.09951v1
- Date: Mon, 19 Aug 2024 12:44:00 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-20 16:13:49.799875
- Title: Principle Driven Parameterized Fiber Model based on GPT-PINN Neural Network
- Title（参考訳）: GPT-PINNニューラルネットワークに基づく原理駆動パラメタライズドファイバーモデル
- Authors: Yubin Zang, Boyu Hua, Zhenzhou Tang, Zhipeng Lin, Fangzheng Zhang, Simin Li, Zuxing Zhang, Hongwei Chen,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 5.452279754228114
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In cater the need of Beyond 5G communications, large numbers of data driven artificial intelligence based fiber models has been put forward as to utilize artificial intelligence's regression ability to predict pulse evolution in fiber transmission at a much faster speed compared with the traditional split step Fourier method. In order to increase the physical interpretabiliy, principle driven fiber models have been proposed which inserts the Nonlinear Schodinger Equation into their loss functions. However, regardless of either principle driven or data driven models, they need to be re-trained the whole model under different transmission conditions. Unfortunately, this situation can be unavoidable when conducting the fiber communication optimization work. If the scale of different transmission conditions is large, then the whole model needs to be retrained large numbers of time with relatively large scale of parameters which may consume higher time costs. Computing efficiency will be dragged down as well. In order to address this problem, we propose the principle driven parameterized fiber model in this manuscript. This model breaks down the predicted NLSE solution with respect to one set of transmission condition into the linear combination of several eigen solutions which were outputted by each pre-trained principle driven fiber model via the reduced basis method. Therefore, the model can greatly alleviate the heavy burden of re-training since only the linear combination coefficients need to be found when changing the transmission condition. Not only strong physical interpretability can the model posses, but also higher computing efficiency can be obtained. Under the demonstration, the model's computational complexity is 0.0113% of split step Fourier method and 1% of the previously proposed principle driven fiber model.
- Abstract（参考訳）: Beyond 5G通信の必要性を補うために、従来の分割ステップフーリエ法と比較してはるかに高速にファイバー伝送のパルス進化を予測する人工知能の回帰能力を活用するために、大量のデータ駆動人工知能ベースファイバモデルが提案されている。
物理補間性を高めるため、非線形ショーディンガー方程式を損失関数に挿入する原理駆動ファイバーモデルが提案されている。
しかし、原則駆動モデルやデータ駆動モデルによらず、異なる伝送条件下でモデル全体を再訓練する必要がある。
残念ながら、ファイバー通信最適化作業を行う場合、この状況は避けられない。
異なる伝送条件のスケールが大きければ、モデル全体を比較的大きなパラメータで大量の時間で再訓練し、より高い時間コストを消費する必要がある。
計算効率も低下するでしょう。
この問題に対処するため,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組の伝送条件に対して分解し, 還元基底法により各事前学習した原理駆動ファイバーモデルにより出力された複数の固有解の線形結合に分解する。
したがって、伝送条件を変更する際には線形結合係数のみを見つける必要があるため、再学習の重荷を大幅に軽減することができる。
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。
実演では、モデルの計算複雑性は分割ステップフーリエ法の0.0113%、従来提案されていた原理駆動ファイバーモデルの1%である。
関連論文リスト
- Fiber Transmission Model with Parameterized Inputs based on GPT-PINN Neural Network [5.687110567253701]
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。
論文 参考訳（メタデータ） (2024-08-19T12:37:15Z) - Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。
我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。
カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
論文 参考訳（メタデータ） (2024-02-19T02:08:09Z) - A-SDM: Accelerating Stable Diffusion through Redundancy Removal and
Performance Optimization [54.113083217869516]
本研究ではまず,ネットワークの計算冗長性について検討する。
次に、モデルの冗長性ブロックをプルークし、ネットワーク性能を維持する。
第3に,計算集約型注意部を高速化するグローバル地域対話型注意(GRI)を提案する。
論文 参考訳（メタデータ） (2023-12-24T15:37:47Z) - Self-Validated Physics-Embedding Network: A General Framework for
Inverse Modelling [2.449329947677678]
SVPEN(Self-Embedding Physics-Embedding Network)は、逆モデリングのための一般的なニューラルネットワークフレームワークである。
組込み物理フォワードモデルは、そのバリデーションに合格した任意の解が物理的に妥当であることを保証する。
非常に非線形で完全に異なる2つの応用における10以上のケーススタディが提示される。
論文 参考訳（メタデータ） (2022-10-12T10:31:36Z) - Truncated tensor Schatten p-norm based approach for spatiotemporal
traffic data imputation with complicated missing patterns [77.34726150561087]
本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。
本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
論文 参考訳（メタデータ） (2022-05-19T08:37:56Z) - 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) - Fast and accurate waveform modeling of long-haul multi-channel optical
fiber transmission using a hybrid model-data driven scheme [3.771681732160885]
提案手法は,光打ち上げ能力,変調形式,チャネル数,伝送距離に高い精度,高速,ロバストな能力を有することを示す。
その結果、非線形ファイバーモデリングの顕著な改善と、NLSEのような偏微分方程式の解法と光ファイバ物理問題に対する新しい視点の開拓が示された。
論文 参考訳（メタデータ） (2022-01-12T06:10:30Z) - MoEfication: Conditional Computation of Transformer Models for Efficient
Inference [66.56994436947441]
トランスフォーマーベースの事前学習言語モデルは、パラメータ容量が大きいため、ほとんどのNLPタスクにおいて優れた性能を実現することができるが、計算コストも大きい。
スパースアクティベーション現象に基づく条件計算により,大規模モデル推論を高速化する。
そこで本研究では,モデルサイズが等しいMoE(Mix-of-experts)バージョン,すなわちMoEficationに変換することを提案する。
論文 参考訳（メタデータ） (2021-10-05T02:14:38Z) - 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) - Physics Informed Deep Learning for Transport in Porous Media. Buckley
Leverett Problem [0.0]
貯水池モデリングのためのハイブリッド物理に基づく機械学習手法を提案する。
この手法は、物理に基づく正則化を伴う一連の深い敵対的ニューラルネットワークアーキテクチャに依存している。
提案手法は,物理知識を機械学習アルゴリズムに応用するためのシンプルでエレガントな手法である。
論文 参考訳（メタデータ） (2020-01-15T08:20:11Z) - 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。