論文の概要: DeepRTE: Pre-trained Attention-based Neural Network for Radiative Tranfer

• arxiv url: http://arxiv.org/abs/2505.23190v2
• Date: Tue, 03 Jun 2025 15:56:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 16:31:03.667953
• Title: DeepRTE: Pre-trained Attention-based Neural Network for Radiative Tranfer
• Title（参考訳）: DeepRTE: 放射型トレーサのための事前学習された注意に基づくニューラルネットワーク
• Authors: Yekun Zhu, Min Tang, Zheng Ma,
• Abstract要約: 我々は、定常放射移動方程式(RTE)に対処するために、DeepRTEと呼ばれる新しいニューラルネットワークアプローチを提案する。 我々のDeepRTEフレームワークは定常RTEの解法に優れた計算効率を示す。 DeepRTEは、特にマルチヘッドアテンションなどのメカニズムが組み込まれているため、パラメータが大幅に少ない高い精度を実現している。
• 参考スコア（独自算出の注目度）: 3.5335723405425714
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we propose a novel neural network approach, termed DeepRTE, to address the steady-state Radiative Transfer Equation (RTE). The RTE is a differential-integral equation that governs the propagation of radiation through a participating medium, with applications spanning diverse domains such as neutron transport, atmospheric radiative transfer, heat transfer, and optical imaging. Our DeepRTE framework demonstrates superior computational efficiency for solving the steady-state RTE, surpassing traditional methods and existing neural network approaches. This efficiency is achieved by embedding physical information through derivation of the RTE and mathematically-informed network architecture. Concurrently, DeepRTE achieves high accuracy with significantly fewer parameters, largely due to its incorporation of mechanisms such as multi-head attention. Furthermore, DeepRTE is a mesh-free neural operator framework with inherent zero-shot capability. This is achieved by incorporating Green's function theory and pre-training with delta-function inflow boundary conditions into both its architecture design and training data construction. The efficacy of the proposed approach is substantiated through comprehensive numerical experiments.
• Abstract（参考訳）: 本稿では,新しいニューラルネットワーク手法であるDeepRTEを提案する。 RTEは、中性子輸送、大気放射移動、熱伝達、光学イメージングなどの様々な領域にまたがる、放射の伝播を管理する微分積分方程式である。 我々のDeepRTEフレームワークは、従来の手法や既存のニューラルネットワークアプローチを超越して、定常RTEを解決するための優れた計算効率を示す。 この効率性は、RTEと数学的にインフォームドされたネットワークアーキテクチャの導出により、物理情報を埋め込むことによって達成される。 同時に、DeepRTEは、非常に少ないパラメータで高い精度を達成する。 さらにDeepRTEは、本質的にゼロショット機能を備えたメッシュフリーなニューラルオペレータフレームワークである。 これはグリーンの関数理論とデルタ関数のインフロー境界条件による事前学習をアーキテクチャ設計とトレーニングデータ構築の両方に組み込むことによって達成される。 提案手法の有効性は包括的数値実験により実証された。

関連論文リスト

• A Deep Learning Framework for Two-Dimensional, Multi-Frequency Propagation Factor Estimation [0.0]
  このコミュニケーションは、パターン伝播係数を推定するためにディープニューラルネットワークを用いた新しいアプローチを探索する。 ディープニューラルネットワークは、複数の周波数を分析し、パターン伝播係数を合理的に予測するように訓練することができる。
  論文  参考訳（メタデータ） (2025-05-21T17:56:02Z)
• 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)
• SpINR: Neural Volumetric Reconstruction for FMCW Radars [0.15193212081459279]
  本稿では、周波数変調連続波(FMCW)レーダデータを用いたボリューム再構成のための新しいフレームワークSpINRを紹介する。 従来のバックプロジェクション手法や既存の学習ベースアプローチよりも,SpINRの方が優れていることを示す。
  論文  参考訳（メタデータ） (2025-03-30T04:44:57Z)
• Neuromorphic Split Computing with Wake-Up Radios: Architecture and Design via Digital Twinning [97.99077847606624]
  本研究は,遠隔・無線接続型NPUからなる分割計算機システムに,覚醒無線機構を組み込んだ新しいアーキテクチャを提案する。 覚醒無線に基づくニューロモルフィックスプリットコンピューティングシステムの設計における重要な課題は、検知、覚醒信号検出、意思決定のためのしきい値の選択である。
  論文  参考訳（メタデータ） (2024-04-02T10:19:04Z)
• Fast and Accurate Cooperative Radio Map Estimation Enabled by GAN [63.90647197249949]
  6G時代には、無線リソースのリアルタイムモニタリングと管理が、多様な無線アプリケーションをサポートするように求められている。 本稿では,GAN(Generative Adversarial Network)による協調的無線地図推定手法を提案する。
  論文  参考訳（メタデータ） (2024-02-05T05:01:28Z)
• A SAR speckle filter based on Residual Convolutional Neural Networks [68.8204255655161]
  本研究では,Convolutional Neural Networks(CNN)に基づく深層学習(DL)アルゴリズムを用いて,Sentinel-1データからスペックルノイズをフィルタリングする新しい手法を提案する。 得られた結果は、技術の現状と比較すると、ピーク信号対雑音比(PSNR)と構造類似度指数(SSIM)の点で明確な改善を示しています。
  論文  参考訳（メタデータ） (2021-04-19T14:43:07Z)
• Physics Informed Neural Networks for Simulating Radiative Transfer [16.758334184623152]
  放射能伝達をシミュレーションする新しい機械学習アルゴリズムを提案する。 提案アルゴリズムは物理情報ニューラルネットワーク(PINN)に基づいて,基礎となる放射性トランスファー方程式の残差を最小化して学習する。
  論文  参考訳（メタデータ） (2020-09-25T16:07:02Z)

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。