論文の概要: SP2RINT: Spatially-Decoupled Physics-Inspired Progressive Inverse Optimization for Scalable, PDE-Constrained Meta-Optical Neural Network Training

• arxiv url: http://arxiv.org/abs/2505.18377v2
• Date: Wed, 28 May 2025 22:12:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-30 13:10:25.710076
• Title: SP2RINT: Spatially-Decoupled Physics-Inspired Progressive Inverse Optimization for Scalable, PDE-Constrained Meta-Optical Neural Network Training
• Title（参考訳）: SP2RINT: 拡張性・PDE制約型メタ・オプティカルニューラルネットワークトレーニングのための空間的に分離した物理インスパイアされたプログレッシブ逆最適化
• Authors: Pingchuan Ma, Ziang Yin, Qi Jing, Zhengqi Gao, Nicholas Gangi, Boyang Zhang, Tsung-Wei Huang, Zhaoran Huang, Duane S. Boning, Yu Yao, Jiaqi Gu,
• Abstract要約: SP2RINTは、メタ光学系のための空間的に分離されたプログレッシブトレーニングフレームワークである。 シミュレーション・イン・ザ・ループのアプローチよりも1825倍高速でありながら、デジタル比較可能な精度を実現している。
• 参考スコア（独自算出の注目度）: 23.920752887898658
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: DONNs leverage light propagation for efficient analog AI and signal processing. Advances in nanophotonic fabrication and metasurface-based wavefront engineering have opened new pathways to realize high-capacity DONNs across various spectral regimes. Training such DONN systems to determine the metasurface structures remains challenging. Heuristic methods are fast but oversimplify metasurfaces modulation, often resulting in physically unrealizable designs and significant performance degradation. Simulation-in-the-loop optimizes implementable metasurfaces via adjoint methods, but is computationally prohibitive and unscalable. To address these limitations, we propose SP2RINT, a spatially decoupled, progressive training framework that formulates DONN training as a PDE-constrained learning problem. Metasurface responses are first relaxed into freely trainable transfer matrices with a banded structure. We then progressively enforce physical constraints by alternating between transfer matrix training and adjoint-based inverse design, avoiding per-iteration PDE solves while ensuring final physical realizability. To further reduce runtime, we introduce a physics-inspired, spatially decoupled inverse design strategy based on the natural locality of field interactions. This approach partitions the metasurface into independently solvable patches, enabling scalable and parallel inverse design with system-level calibration. Evaluated across diverse DONN training tasks, SP2RINT achieves digital-comparable accuracy while being 1825 times faster than simulation-in-the-loop approaches. By bridging the gap between abstract DONN models and implementable photonic hardware, SP2RINT enables scalable, high-performance training of physically realizable meta-optical neural systems. Our code is available at https://github.com/ScopeX-ASU/SP2RINT
• Abstract（参考訳）: DONNは効率的なアナログAIと信号処理に光伝搬を利用する。 ナノフォトニック製造と準曲面波面工学の進歩は、様々なスペクトル系にまたがる高容量DONNを実現するための新しい経路を開拓してきた。 このようなDONNシステムによる地下構造決定の訓練はいまだに困難である。 ヒューリスティック法は高速であるが、表面の変調を単純化し、しばしば物理的に実現不可能な設計と大幅な性能劣化をもたらす。 シミュレーション・イン・ザ・ループは、アジョイント法による実装可能な準曲面を最適化するが、計算的に禁止され、スケールできない。 これらの制約に対処するために,空間的に分離されたプログレッシブトレーニングフレームワークであるSP2RINTを提案する。 準曲面応答は、まず、帯状構造を持つ自由に訓練可能な伝達行列に緩和される。 そこで我々は,移動行列トレーニングと随伴型逆設計を交互に行うことで,物理制約を段階的に強化し,最終的な物理実現可能性を確保しつつ,各項目毎のPDEの解消を回避する。 ランタイムをさらに削減するために,フィールド相互作用の自然な局所性に基づいた,物理に着想を得た空間的に分離された逆設計戦略を導入する。 このアプローチは、メタ曲面を独立して解決可能なパッチに分割し、システムレベルのキャリブレーションによるスケーラブルで並列な逆設計を可能にする。 SP2RINTは様々なDONNトレーニングタスクで評価され、シミュレーション・イン・ザ・ループ・アプローチの1825倍の速さでデジタル互換の精度を実現している。 抽象DONNモデルと実装可能なフォトニックハードウェアのギャップを埋めることで、SP2RINTは物理的に実現可能なメタ光学ニューラルシステムのスケーラブルで高性能なトレーニングを可能にする。 私たちのコードはhttps://github.com/ScopeX-ASU/SP2RINTで利用可能です。

関連論文リスト

• Efficient Training of Physics-enhanced Neural ODEs via Direct Collocation and Nonlinear Programming [0.0]
  本稿では,物理強調型ニューラルネットワーク(PeNODE)を動的最適化問題として表現することで,新しい学習手法を提案する。 ニューラル成分を含む全モデルは、レジェンド=ガウス=ラダウ点を反転させた高次暗黙のルンゲ=クッタ法を用いて離散化される。 この定式化は、ネットワークパラメータと状態軌跡の同時最適化を可能にし、安定性、ランタイム、精度の観点からODEソルバベースのトレーニングの重要な制限に対処する。
  論文  参考訳（メタデータ） (2025-05-06T14:04:46Z)
• Metamizer: a versatile neural optimizer for fast and accurate physics simulations [4.717325308876749]
  本稿では,広範囲の物理システムを高精度で反復的に解く,新しいニューラルネットワークであるMetamizerを紹介する。 我々は,メタマイザがディープラーニングに基づくアプローチにおいて,前例のない精度で達成できることを実証した。 以上の結果から,メタミザーは将来の数値解法に大きな影響を与える可能性が示唆された。
  論文  参考訳（メタデータ） (2024-10-10T11:54:31Z)
• A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical Computation Offloading [62.34538208323411]
  共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。 MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
  論文  参考訳（メタデータ） (2023-09-02T11:01:16Z)
• A Sequential Meta-Transfer (SMT) Learning to Combat Complexities of Physics-Informed Neural Networks: Application to Composites Autoclave Processing [1.6317061277457001]
  PINNは非線形偏微分方程式の解法として人気がある。 PINNは、与えられたPDEシステムの特定の実現を近似するように設計されている。 新しいシステム構成に効率的に適応するために必要な一般化性は欠如している。
  論文  参考訳（メタデータ） (2023-08-12T02:46:54Z)
• Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
  完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。 LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。 我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
  論文  参考訳（メタデータ） (2023-05-01T23:20:27Z)
• Implicit Stochastic Gradient Descent for Training Physics-informed Neural Networks [51.92362217307946]
  物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。 PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。 本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
  論文  参考訳（メタデータ） (2023-03-03T08:17:47Z)
• NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with Spatial-temporal Decomposition [67.46012350241969]
  本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。 元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。 本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
  論文  参考訳（メタデータ） (2023-02-20T19:36:52Z)
• Neural Stochastic Dual Dynamic Programming [99.80617899593526]
  我々は、問題インスタンスを断片的線形値関数にマッピングすることを学ぶトレーニング可能なニューラルモデルを導入する。 $nu$-SDDPは、ソリューションの品質を犠牲にすることなく、問題解決コストを大幅に削減できる。
  論文  参考訳（メタデータ） (2021-12-01T22:55:23Z)
• A nonlocal physics-informed deep learning framework using the peridynamic differential operator [0.0]
  本研究では,長距離相互作用を組み込んだ数値計算法であるPeridynamic Differential Operator (PDDO) を用いた非局所PINN手法を開発した。 PDDO関数はニューラルネットワークアーキテクチャに容易に組み込むことができるため、非局所性は現代のディープラーニングアルゴリズムの性能を低下させることはない。 本稿では,非局所PINNの解法精度とパラメータ推定の両方において,局所PINNに対して優れた振る舞いを示す。
  論文  参考訳（メタデータ） (2020-05-31T06:26:21Z)

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。