論文の概要: Automating Experimental Optics with Sample Efficient Machine Learning Methods

• arxiv url: http://arxiv.org/abs/2503.14260v1
• Date: Tue, 18 Mar 2025 13:50:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-19 14:14:17.344867
• Title: Automating Experimental Optics with Sample Efficient Machine Learning Methods
• Title（参考訳）: サンプル効率のよい機械学習手法による実験光学の自動化
• Authors: Arindam Saha, Baramee Charoensombutamon, Thibault Michel, V. Vijendran, Lachlan Walker, Akira Furusawa, Syed M. Assad, Ben C. Buchler, Ping Koy Lam, Aaron D. Tranter,
• Abstract要約: 我々は、最小限の監督力を持つ自由空間光共振器の自律的なモードマッチングを実現するために機械学習をどのように利用できるかを示す。 本研究では,最小限の監督力を持つ自由空間光共振器の自律的モードマッチングを実現するために,機械学習をどのように利用できるかを示す。
• 参考スコア（独自算出の注目度）: 0.47936618873102926
• License:
• Abstract: As free-space optical systems grow in scale and complexity, troubleshooting becomes increasingly time-consuming and, in the case of remote installations, perhaps impractical. An example of a task that is often laborious is the alignment of a high-finesse optical resonator, which is highly sensitive to the mode of the input beam. In this work, we demonstrate how machine learning can be used to achieve autonomous mode-matching of a free-space optical resonator with minimal supervision. Our approach leverages sample-efficient algorithms to reduce data requirements while maintaining a simple architecture for easy deployment. The reinforcement learning scheme that we have developed shows that automation is feasible even in systems prone to drift in experimental parameters, as may well be the case in real-world applications.
• Abstract（参考訳）: 自由空間の光学系がスケールと複雑さを増すにつれ、トラブルシューティングはますます時間を要するようになり、遠隔の設備の場合、おそらく実用的ではない。 しばしば注意を要するタスクの例は、入力ビームのモードに非常に敏感な高精細光共振器のアライメントである。 本研究では,最小限の監督力を持つ自由空間光共振器の自律的モードマッチングを実現するために,機械学習をどのように利用できるかを示す。 当社のアプローチでは,簡単なアーキテクチャを維持しながら,サンプル効率のアルゴリズムを活用してデータ要求を削減する。 私たちが開発した強化学習方式は,実験パラメータでドリフトするシステムにおいても,自動化が実現可能であることを示す。

関連論文リスト

• Acoustic Wave Manipulation Through Sparse Robotic Actuation [2.621434923709917]
  本研究では,空間的にスパースなアクチュエータを通して波に影響を及ぼすことのできるロボットによって部分的に観察される音波の操作について検討する。 この問題は、新しい人工材料、超音波切断ツール、エネルギー収穫などの用途の設計に大きな可能性を秘めている。 本研究では,特定の領域に分散した音響エネルギーを集中させるか,所望のタスクに応じて抑制するかのどちらかに適用可能な,効率的なデータ駆動型ロボット学習法を開発した。
  論文  参考訳（メタデータ） (2025-02-12T20:54:46Z)
• Model-free reinforcement learning with noisy actions for automated experimental control in optics [2.3003734964536524]
  我々は、光ファイバーにレーザー光を結合させることで、強化学習が課題を克服できることを示した。 SAC(Soft Actor-Critic)やTQC(Trncated Quantile Critics)のサンプル効率アルゴリズムを利用することで、エージェントは人間の専門家に匹敵する90%の効率で対応できることを学習する。
  論文  参考訳（メタデータ） (2024-05-24T10:36:23Z)
• Automated Discovery of Coupled Mode Setups [7.555791623885635]
  光学やフォトニクスにおいて、共振器、導波路、任意の結合、パラメトリック相互作用のような少数の構成要素は、様々なデバイスや機能の設計を可能にし、散乱特性によって区別される。 通常、そのようなシステムの設計は経験豊富な科学者によって、最も単純な可能性が実際に見つかったかどうかが定かでない時間を要するプロセスで手作りされる。 本研究では,この課題を自動化する発見アルゴリズムであるAutoScatterを開発した。
  論文  参考訳（メタデータ） (2024-04-23T10:15:18Z)
• MLXP: A Framework for Conducting Replicable Experiments in Python [63.37350735954699]
  MLXPはPythonをベースとした,オープンソースの,シンプルで,軽量な実験管理ツールである。 実験プロセスを最小限のオーバーヘッドで合理化し、高いレベルの実践的オーバーヘッドを確保します。
  論文  参考訳（メタデータ） (2024-02-21T14:22:20Z)
• Controlling dynamical systems to complex target states using machine learning: next-generation vs. classical reservoir computing [68.8204255655161]
  機械学習を用いた非線形力学系の制御は、システムを周期性のような単純な振る舞いに駆動するだけでなく、より複雑な任意の力学を駆動する。 まず, 従来の貯水池計算が優れていることを示す。 次のステップでは、これらの結果を異なるトレーニングデータに基づいて比較し、代わりに次世代貯水池コンピューティングを使用する別のセットアップと比較する。 その結果、通常のトレーニングデータに対して同等のパフォーマンスを提供する一方で、次世代RCは、非常に限られたデータしか利用できない状況において、著しくパフォーマンスが向上していることがわかった。
  論文  参考訳（メタデータ） (2023-07-14T07:05:17Z)
• Hindsight States: Blending Sim and Real Task Elements for Efficient Reinforcement Learning [61.3506230781327]
  ロボット工学では、第一原理から導かれた力学モデルに基づくシミュレーションに基づいて、トレーニングデータを生成する方法がある。 ここでは、力学の複雑さの不均衡を利用して、より標本効率のよい学習を行う。 提案手法をいくつかの課題に対して検証し,既存の近視アルゴリズムと組み合わせた場合の学習改善を実証する。
  論文  参考訳（メタデータ） (2023-03-03T21:55:04Z)
• SAM-RL: Sensing-Aware Model-Based Reinforcement Learning via Differentiable Physics-Based Simulation and Rendering [49.78647219715034]
  本稿では,SAM-RL と呼ばれる感性認識モデルに基づく強化学習システムを提案する。 SAM-RLは、センサーを意識した学習パイプラインによって、ロボットがタスクプロセスを監視するための情報的視点を選択することを可能にする。 我々は,ロボット組立,ツール操作,変形可能なオブジェクト操作という3つの操作タスクを達成するための実世界の実験に,我々のフレームワークを適用した。
  論文  参考訳（メタデータ） (2022-10-27T05:30:43Z)
• Toward Fast, Flexible, and Robust Low-Light Image Enhancement [87.27326390675155]
  我々は、現実の低照度シナリオにおいて、高速でフレキシブルで頑健な鮮明化のための新しい自己校正イルミネーション(SCI)学習フレームワークを開発した。 カスケードパターンの計算負担を考慮すると、各ステージの結果の収束を実現する自己校正モジュールを構築する。 我々は,SCI固有の特性について,操作不感適応性やモデル非関係の一般性を含む包括的探索を行う。
  論文  参考訳（メタデータ） (2022-04-21T14:40:32Z)
• Controlling nonlinear dynamical systems into arbitrary states using machine learning [77.34726150561087]
  機械学習(ML)を活用した,新しい完全データ駆動制御方式を提案する。 最近開発されたMLに基づく複雑なシステムの予測機能により、非線形系は任意の初期状態から来る任意の動的対象状態に留まることが証明された。 必要なデータ量が少なく,柔軟性の高いコントロールスキームを備えることで,工学から医学まで幅広い応用の可能性について簡単に議論する。
  論文  参考訳（メタデータ） (2021-02-23T16:58:26Z)
• Ensemble learning and iterative training (ELIT) machine learning: applications towards uncertainty quantification and automated experiment in atom-resolved microscopy [0.0]
  深層学習は、画像の分野をまたいだ迅速な特徴抽出の技法として登場した。 本稿では,原子分解電子顕微鏡における特徴抽出における深層学習の応用について検討する。 このアプローチは、深層学習解析に不確実性をもたらし、また、画像条件の変化によるネットワークの再訓練が人間のオペレータやアンサンブルからのネットワークの選択に代えて、分散のずれを補うための自動実験的検出を可能にする。
  論文  参考訳（メタデータ） (2021-01-21T05:29:26Z)
• Indoor Point-to-Point Navigation with Deep Reinforcement Learning and Ultra-wideband [1.6799377888527687]
  移動障害や非視線発生はノイズや信頼性の低い信号を生成する。 深部強化学習(RL)で学習した電力効率のよい局所プランナーが,ノイズショートレンジ誘導システムの完全解法として頑健かつ弾力性を持つことを示す。 この結果から, 計算効率のよいエンドツーエンドポリシは, 堅牢でスケーラブルで, 最先端の低コストナビゲーションシステムを実現することができることがわかった。
  論文  参考訳（メタデータ） (2020-11-18T12:30:36Z)

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。