Fugu-MT 論文翻訳(概要): Physics-based AI methodology for Material Parameter Extraction from Optical Data

論文の概要: Physics-based AI methodology for Material Parameter Extraction from Optical Data

arxiv url: http://arxiv.org/abs/2503.08183v1
Date: Tue, 11 Mar 2025 08:49:45 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-12 19:17:12.205609
Title: Physics-based AI methodology for Material Parameter Extraction from Optical Data
Title（参考訳）: 光データからの物質パラメータ抽出のための物理ベースAI手法
Authors: M. Koumans, J. L. M. van Mechelen,
Abstract要約: 提案モデルでは,従来の最適化フレームワークとマルチスケールオブジェクト検出フレームワークを統合した。テラヘルツおよび赤外周波数におけるシミュレーション伝送スペクトルの性能評価と解析を行った。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: We report on a novel methodology for extracting material parameters from spectroscopic optical data using a physics-based neural network. The proposed model integrates classical optimization frameworks with a multi-scale object detection framework, specifically exploring the effect of incorporating physics into the neural network. We validate and analyze its performance on simulated transmission spectra at terahertz and infrared frequencies. Compared to traditional model-based approaches, our method is designed to be autonomous, robust, and time-efficient, making it particularly relevant for industrial and societal applications.
Abstract（参考訳）: 物理ベースニューラルネットワークを用いた分光光学データから物質パラメータを抽出する新しい手法について報告する。提案モデルでは,従来の最適化フレームワークとマルチスケールオブジェクト検出フレームワークを統合し,ニューラルネットワークに物理を組み込むことの効果について検討する。テラヘルツおよび赤外周波数におけるシミュレーション伝送スペクトルの性能評価と解析を行った。従来のモデルベースアプローチと比較して、我々の手法は自律的で堅牢で、時間効率が良いように設計されており、特に産業や社会の応用に関係している。

関連論文リスト

Machine learning enabled experimental design and parameter estimation for ultrafast spin dynamics [54.172707311728885]
機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
論文参考訳（メタデータ） (2023-06-03T06:19:20Z)
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)
PAC-NeRF: Physics Augmented Continuum Neural Radiance Fields for Geometry-Agnostic System Identification [64.61198351207752]
ビデオからのシステム同定(オブジェクトの物理的パラメータを推定する)への既存のアプローチは、既知のオブジェクトジオメトリを仮定する。本研究では,オブジェクトの形状やトポロジを仮定することなく,多視点ビデオの集合から物理系を特徴付けるパラメータを同定することを目的とする。マルチビュービデオから高ダイナミックな物体の未知の幾何学的パラメータと物理的パラメータを推定するために,Physics Augmented Continuum Neural Radiance Fields (PAC-NeRF)を提案する。
論文参考訳（メタデータ） (2023-03-09T18:59:50Z)
Physics-aware Differentiable Discrete Codesign for Diffractive Optical Neural Networks [12.952987240366781]
本研究は,Diffractive Optical Neural Network (DONN) の効率的なトレーニングを可能にする,新しいデバイス間ハードウェア・ソフトウェア符号フレームワークを提案する。 Gumbel-Softmaxは、現実世界のデバイスパラメータからDONNの前方関数への微分可能な離散マッピングを可能にするために使用される。その結果,提案手法は従来の量子化法に比べて大きな利点があることがわかった。
論文参考訳（メタデータ） (2022-09-28T17:13:28Z)
Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。ニューラル微分方程式モデルに基づく新しい手法を提案する。我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
論文参考訳（メタデータ） (2022-07-21T12:11:18Z)
Neural Implicit Representations for Physical Parameter Inference from a Single Video [49.766574469284485]
本稿では,外見モデルのためのニューラル暗黙表現と,物理現象をモデル化するためのニューラル常微分方程式(ODE)を組み合わせることを提案する。提案モデルでは,大規模なトレーニングデータセットを必要とする既存のアプローチとは対照的に,単一のビデオから物理的パラメータを識別することが可能になる。ニューラル暗示表現を使用することで、高解像度ビデオの処理とフォトリアリスティック画像の合成が可能になる。
論文参考訳（メタデータ） (2022-04-29T11:55:35Z)
Multi-Objective Physics-Guided Recurrent Neural Networks for Identifying Non-Autonomous Dynamical Systems [0.0]
制御対象の非自律系をモデル化するための物理誘導型ハイブリッド手法を提案する。これはリカレントニューラルネットワークによって拡張され、洗練された多目的戦略を使用してトレーニングされる。実データを用いた実験により,物理モデルと比較して精度が大幅に向上した。
論文参考訳（メタデータ） (2022-04-27T14:33:02Z)
Gradient-Based Trajectory Optimization With Learned Dynamics [80.41791191022139]
データからシステムの微分可能なダイナミクスモデルを学習するために、機械学習技術を使用します。ニューラルネットワークは、大規模な時間的地平線に対して、非常に非線形な振る舞いを正確にモデル化できることが示される。ハードウェア実験において、学習したモデルがSpotとRadio- controlled (RC)の両方の複雑な力学を表現できることを実証した。
論文参考訳（メタデータ） (2022-04-09T22:07:34Z)
A Physics-Guided Neural Operator Learning Approach to Model Biological Tissues from Digital Image Correlation Measurements [3.65211252467094]
本稿では, 生体組織モデリングにおけるデータ駆動型相関について述べる。これは, 未知の負荷シナリオ下でのデジタル画像相関(DIC)測定に基づいて変位場を予測することを目的としている。ブタ三尖弁リーフレット上の多軸延伸プロトコルのDIC変位追跡測定から材料データベースを構築した。材料応答は、負荷から結果の変位場への解演算子としてモデル化され、材料特性はデータから暗黙的に学習され、自然にネットワークパラメータに埋め込まれる。
論文参考訳（メタデータ） (2022-04-01T04:56:41Z)
Investigation of Nonlinear Model Order Reduction of the Quasigeostrophic Equations through a Physics-Informed Convolutional Autoencoder [0.0]
低次モデリング(ROM)は、安価なサロゲートによる現実世界のプロセスの複雑な物理モデルに近似する。本稿では,システム力学の非線形射影を低次元多様体上に行うオートエンコーダ(AE)を用いたROMの構築について検討する。本研究により, PIコスト関数は空間再構成に有効であるが, 空間特性はスペクトル特性よりも強力ではないことが明らかとなった。
論文参考訳（メタデータ） (2021-08-27T15:20:01Z)
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)

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。