Fugu-MT 論文翻訳(概要): Physical knowledge improves prediction of EM Fields

論文の概要: Physical knowledge improves prediction of EM Fields

arxiv url: http://arxiv.org/abs/2503.11703v1
Date: Wed, 12 Mar 2025 10:22:57 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-18 14:56:57.490152
Title: Physical knowledge improves prediction of EM Fields
Title（参考訳）: 物理知識がEMフィールドの予測を改善する
Authors: Andrzej Dulny, Farzad Jabbarigargari, Andreas Hotho, Laura Maria Schreiber, Maxim Terekhov, Anna Krause,
Abstract要約: 本研究では,高周波コイル内における電磁界の空間分布を予測するための3次元U-Netモデルを提案する。物理学で拡張された変種であるU-Net Physを導入し、ガウスの磁性の法則を有限差分による損失関数に組み込む。
参考スコア（独自算出の注目度）: 2.772393030165581
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose a 3D U-Net model to predict the spatial distribution of electromagnetic fields inside a radio-frequency (RF) coil with a subject present, using the phase, amplitude, and position of the coils, along with the density, permittivity, and conductivity of the surrounding medium as inputs. To improve accuracy, we introduce a physics-augmented variant, U-Net Phys, which incorporates Gauss's law of magnetism into the loss function using finite differences. We train our models on electromagnetic field simulations from CST Studio Suite for an eight-channel dipole array RF coil at 7T MRI. Experimental results show that U-Net Phys significantly outperforms the standard U-Net, particularly in predicting fields within the subject, demonstrating the advantage of integrating physical constraints into deep learning-based field prediction.
Abstract（参考訳）: 本研究では, 高周波コイル内における電磁界の空間分布を予測するための3次元U-Netモデルを提案し, コイルの位相, 振幅, 位置と, 周辺媒体の密度, 誘電率, 導電率を入力として用いた。精度を向上させるために,ガウスの磁性則を有限差分を用いた損失関数に組み込んだ物理拡張型 U-Net Phys を導入する。我々は、CST Studio Suiteから7T MRIで8チャンネルの双極子アレイRFコイルのための電磁場シミュレーションのモデルを訓練する。実験の結果,U-Net Phys は標準 U-Net よりも優れており,特に被写体内の場予測において,深層学習に基づく場予測に物理的制約を組み込むことの利点が示された。

関連論文リスト

RadioDiff-$k^2$: Helmholtz Equation Informed Generative Diffusion Model for Multi-Path Aware Radio Map Construction [69.96295462931168]
物理インフォームド・ジェネレーティブ・ラーニング・アプローチであるRadioDiff-$bmk2$を提案する。我々は,無線伝搬に影響を与える臨界空間特性に対応するEM特異点と,ヘルムホルツ方程式の負波数で定義される領域との直接対応を確立する。
論文参考訳（メタデータ） (2025-04-22T06:28:13Z)
Time-inversion of spatiotemporal beam dynamics using uncertainty-aware latent evolution reversal [46.348283638884425]
本稿では,フォワードビームダイナミクスの時相を考慮したリバースラテント進化モデル(rLEM)を提案する。この2段階の自己教師型深層学習フレームワークでは、空調オートエンコーダ(CVAE)を用いて荷電粒子ビームの6次元空間投影を低次元潜在分布に投影する。次に,Long Short-Term Memory (LSTM) ネットワークを用いて,潜在空間における逆時間力学を自動回帰的に学習する。
論文参考訳（メタデータ） (2024-08-14T23:09:01Z)
EM-GANSim: Real-time and Accurate EM Simulation Using Conditional GANs for 3D Indoor Scenes [55.2480439325792]
実時間電磁伝搬のための新しい機械学習手法(EM-GANSim)を提案する。実際には、3D屋内環境のあらゆる場所で数ミリ秒で信号強度を計算することができる。
論文参考訳（メタデータ） (2024-05-27T17:19:02Z)
Global-local Fourier Neural Operator for Accelerating Coronal Magnetic Field Model [17.256941005824576]
FNOの2つの分岐を含むグローバルローカルフーリエニューラル演算子(GL-FNO)を提案する。 GLFNOの性能は、FNO、U-NO、U-FNO、Vision Transformer、CNN-RNN、CNN-LSTMといった最先端のディープラーニング手法と比較される。その結果、GL-FNOはMHDシミュレーションを加速するだけでなく、信頼性の高い予測能力も提供し、宇宙気象力学の理解に大きく貢献することが示された。
論文参考訳（メタデータ） (2024-05-21T13:04:53Z)
Physics-informed generative neural networks for RF propagation prediction with application to indoor body perception [2.679900758407988]
本稿では,人の動きがEMフィールドに与える影響を再現するために訓練された変分自動エンコーダ(VAE)モデルについて述べる。提案する物理インフォームド生成ニューラルネットワークモデルは、古典的回折に基づくEMツールとフルウェーブEMボディシミュレーションの両方に対して検証される。
論文参考訳（メタデータ） (2024-05-03T14:35:02Z)
Gaussian Plane-Wave Neural Operator for Electron Density Estimation [11.850515912491657]
無限次元関数空間で動作するガウス平面波ニューラル演算子(GPWNO)を紹介する。特に、密度の高周波数成分と低周波数成分は、2つの基底の相補的な性質により効果的に表すことができる。 QM9、MD、およびマテリアルプロジェクトデータセットに関する実験は、GPWNOの10つのベースラインよりも優れた性能を示している。
論文参考訳（メタデータ） (2024-02-05T06:05:30Z)
Pre-training via Denoising for Molecular Property Prediction [53.409242538744444]
本稿では,3次元分子構造の大規模データセットを平衡に利用した事前学習手法について述べる。近年のノイズレギュラー化の進展に触発されて, 事前学習の目的は, 雑音の除去に基づくものである。
論文参考訳（メタデータ） (2022-05-31T22:28:34Z)
Magnetic Field Prediction Using Generative Adversarial Networks [0.0]
生成逆数ネットワーク(GAN)構造を用いて,空間のランダムな点における磁場の値を予測する。ディープラーニング(DL)アーキテクチャは、与えられた磁場の欠落した磁場値を予測するジェネレータと、実際の磁場分布と生成された磁場分布の間の統計的距離を計算するために訓練された批評家の2つのニューラルネットワークで構成される。訓練されたジェネレータは、フィールドポイントの1つのコヒーレント領域が欠落している場合の5.14%、空間における数点測定しか得られていない場合の5.86%の中央値再構成テスト誤差で、フィールド値の欠落を予測できることを学習した。
論文参考訳（メタデータ） (2022-03-14T12:31:54Z)
WaveY-Net: Physics-augmented deep learning for high-speed electromagnetic simulation and optimization [0.0]
我々は,超高速で電磁場分布を予測できるハイブリッドデータおよび物理拡張畳み込みニューラルネットワークであるWaveY-Netを紹介する。高速シミュレータは,局所的および大域的なメタゲーションのフリーフォーム最適化において,直接的かつ効果的に利用できることを示す。
論文参考訳（メタデータ） (2022-03-02T17:11:33Z)
Predicting the Thermal Sunyaev-Zel'dovich Field using Modular and Equivariant Set-Based Neural Networks [1.7709249262395885]
我々は、銀河団内の連続電子圧場を予測するために、IllustrisTNG-300宇宙学シミュレーションでニューラルネットワークを訓練する。我々は、設定したダークマター粒子を直接操作するために、回転型DeepSetsアーキテクチャを用いる。
論文参考訳（メタデータ） (2022-02-28T19:00:07Z)
Simultaneous boundary shape estimation and velocity field de-noising in Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
論文参考訳（メタデータ） (2021-07-16T12:56:09Z)
Spin Entanglement and Magnetic Competition via Long-range Interactions in Spinor Quantum Optical Lattices [62.997667081978825]
超低温物質中における空洞を介する長距離磁気相互作用と光学格子の効果について検討した。競合シナリオを導入しながら,グローバルな相互作用がシステムの根底にある磁気特性を変化させていることが判明した。これにより、量子情報目的のためのロバストなメカニズムの設計に向けた新しい選択肢が可能になる。
論文参考訳（メタデータ） (2020-11-16T08:03:44Z)
Ferromagnetic Gyroscopes for Tests of Fundamental Physics [49.853792068336034]
強磁性ジャイロスコープ(英: ferromagnetic gyroscope、FG)は、強磁性体で、角運動量が電子スピンの偏極によって支配され、外部トルクの作用の下で進行する。我々はFGの力学と感度をモデル化し、実験的な実現のための実践的なスキームに焦点をあてる。
論文参考訳（メタデータ） (2020-10-17T07:13:50Z)
OrbNet: Deep Learning for Quantum Chemistry Using Symmetry-Adapted Atomic-Orbital Features [42.96944345045462]
textscOrbNetは、学習効率と転送可能性の観点から、既存のメソッドよりも優れています。薬物のような分子のデータセットに応用するために、textscOrbNetは1000倍以上の計算コストでDFTの化学的精度でエネルギーを予測する。
論文参考訳（メタデータ） (2020-07-15T22:38:41Z)

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。