論文の概要: Attonsecond Streaking Phase Retrieval Via Deep Learning Methods

• arxiv url: http://arxiv.org/abs/2505.06275v1
• Date: Tue, 06 May 2025 16:16:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:48.731093
• Title: Attonsecond Streaking Phase Retrieval Via Deep Learning Methods
• Title（参考訳）: 深層学習手法によるアトトン秒ストリーキング位相検索
• Authors: Yuzhou Zhu, Zheng Zhang, Ruyi Zhang, Liang Zhou,
• Abstract要約: 電子力学をフェムト秒以下の時間スケールで解くためには、アト秒ストリーキング位相の探索が不可欠である。 この作業では、制御されたコンピュータビジョン問題としてフェーズ検索を再構成し、4つのニューラルアーキテクチャを比較した。 畳み込みネットワークは、局所的なストリークエッジに対して強い感度を示すが、グローバルなコンテキストに欠ける。 視覚変換器は、局所誘導バイアスを犠牲にして長距離遅延エネルギー相関をキャプチャする。 カプセルネットワークは、動的ルーティングを通じて空間的ポーズ合意をさらに強制する。
• 参考スコア（独自算出の注目度）: 8.37266944852829
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Attosecond streaking phase retrieval is essential for resolving electron dynamics on sub-femtosecond time scales yet traditional algorithms rely on iterative minimization and central momentum approximations that degrade accuracy for broadband pulses. In this work phase retrieval is reformulated as a supervised computer-vision problem and four neural architectures are systematically compared. A convolutional network demonstrates strong sensitivity to local streak edges but lacks global context; a vision transformer captures long-range delay-energy correlations at the expense of local inductive bias; a hybrid CNN-ViT model unites local feature extraction and full-graph attention; and a capsule network further enforces spatial pose agreement through dynamic routing. A theoretical analysis introduces local, global and positional sensitivity measures and derives surrogate error bounds that predict the strict ordering $CNN<ViT<Hybrid<Capsule$. Controlled experiments on synthetic streaking spectrograms confirm this hierarchy, with the capsule network achieving the highest retrieval fidelity. Looking forward, embedding the strong-field integral into physics-informed neural networks and exploring photonic hardware implementations promise pathways toward real-time attosecond pulse characterization under demanding experimental conditions.
• Abstract（参考訳）: 電子力学をフェムト秒以下の時間スケールで解くためには、アト秒ストリーキング位相の探索が不可欠であるが、従来のアルゴリズムは、ブロードバンドパルスの精度を低下させる反復最小化と中心運動量近似に依存している。 この作業では、制御されたコンピュータビジョン問題としてフェーズ検索を再構築し、4つのニューラルアーキテクチャを体系的に比較する。 畳み込みネットワークは局所的なストリークエッジに対して強い感度を示すが、グローバルなコンテキストに欠けており、視覚変換器は局所帰納バイアスを犠牲にして長距離遅延エネルギー相関を捉え、ハイブリッドCNN-ViTモデルは局所的特徴抽出とフルグラフの注意を単位とし、カプセルネットワークは動的ルーティングを通じて空間的ポーズ合意をさらに強制する。 理論解析では、局所的、大域的、位置的感度測定を導入し、厳密な注文をCNN<ViT<Hybrid<Capsule$で予測するサロゲート誤差境界を導出する。 合成ストリーキング分光器に関する制御された実験により、カプセルネットワークは最も高い検索精度を達成した。 今後,物理インフォームドニューラルネットワークへの強磁場積分の埋め込みとフォトニックハードウェア実装の探索により,実験条件下でのリアルタイムアト秒パルスキャラクタリゼーションの実現が期待できる。

関連論文リスト

• A Differential Smoothness-based Compact-Dynamic Graph Convolutional Network for Spatiotemporal Signal Recovery [9.369246678101048]
  本稿では、時間的信号回復のためのコンパクト・フォールド・コングラフ・ネットワーク(CDCN)を提案する。 実世界のデータセットの実験では、CDCNは時間的信号回復の最先端モデルよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2024-08-06T06:42:53Z)
• Speed Limits for Deep Learning [67.69149326107103]
  熱力学の最近の進歩は、初期重量分布から完全に訓練されたネットワークの最終分布への移動速度の制限を可能にする。 線形および線形化可能なニューラルネットワークに対して,これらの速度制限に対する解析式を提供する。 NTKスペクトルとラベルのスペクトル分解に関するいくつかの妥当なスケーリング仮定を考えると、学習はスケーリングの意味で最適である。
  論文  参考訳（メタデータ） (2023-07-27T06:59:46Z)
• Universal Scaling Laws of Absorbing Phase Transitions in Artificial Deep Neural Networks [0.8932296777085644]
  信号伝播ダイナミクスの位相境界付近で動作する従来の人工深層ニューラルネットワークは、カオスのエッジとしても知られ、位相遷移を吸収する普遍的なスケーリング法則を示す。 我々は、伝搬力学の完全な決定論的性質を利用して、ニューラルネットワークの信号崩壊と吸収状態の類似を解明する。
  論文  参考訳（メタデータ） (2023-07-05T13:39:02Z)
• Fast and Robust State Estimation and Tracking via Hierarchical Learning [9.341558827016332]
  我々は,大規模ネットワークにおけるコンバージェンスを高速化し,状態推定と追跡のレジリエンスを高めることを目的としている。 我々は,水中音響ネットワークと大規模合成ネットワークのシミュレーション研究を通じて,我々のアルゴリズムを数値的に検証する。
  論文  参考訳（メタデータ） (2023-06-29T19:07:17Z)
• Neuromorphic Optical Flow and Real-time Implementation with Event Cameras [47.11134388304464]
  イベントベースのビジョンとスパイクニューラルネットワークの最新の開発の上に構築しています。 我々は、最先端の自己監督型光フロー精度を向上させる新しいネットワークアーキテクチャを提案する。 約2桁の複雑さで高速な光流予測を行う。
  論文  参考訳（メタデータ） (2023-04-14T14:03:35Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• Unsupervised inter-frame motion correction for whole-body dynamic PET using convolutional long short-term memory in a convolutional neural network [9.349668170221975]
  我々は、フレーム間の身体の動きを補正するための教師なしのディープラーニングベースのフレームワークを開発する。 運動推定ネットワークは、畳み込み長短期記憶層を組み合わせた畳み込みニューラルネットワークである。 トレーニング後,提案したネットワークの動作推定時間は,従来の登録ベースラインの約460倍の速度であった。
  論文  参考訳（メタデータ） (2022-06-13T17:38:16Z)
• Discrete-time Temporal Network Embedding via Implicit Hierarchical Learning in Hyperbolic Space [43.280123606888395]
  双曲幾何学の指数的能力と階層的認識を生かした双曲時間グラフネットワーク(HTGN)を提案する。 HTGNは、時間グラフを双曲空間にマッピングし、双曲グラフニューラルネットワークと双曲ゲートリカレントニューラルネットワークを組み込む。 複数の実世界のデータセットに対する実験結果は、時間グラフ埋め込みにおけるHTGNの優位性を示している。
  論文  参考訳（メタデータ） (2021-07-08T11:24:59Z)

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。