論文の概要: Optical Physics-Based Generative Models

• arxiv url: http://arxiv.org/abs/2506.04357v1
• Date: Wed, 04 Jun 2025 18:19:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-06 21:53:49.367623
• Title: Optical Physics-Based Generative Models
• Title（参考訳）: 光物理に基づく生成モデル
• Authors: Amirreza Ahmadnejad, Somayyeh Koohi,
• Abstract要約: 本稿では,光物理方程式を生成モデルに結合する包括的数学的枠組みを確立する。 光伝搬ダイナミクスが強力な人工知能アプローチにどのように影響するかを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: This paper establishes a comprehensive mathematical framework connecting optical physics equations to generative models, demonstrating how light propagation dynamics inspire powerful artificial intelligence approaches. We analyze six fundamental optical equations, comparing linear models (Helmholtz, dissipative wave, and Eikonal equations) with their nonlinear extensions incorporating Kerr effects, cubic-quintic nonlinearities, and intensity-dependent refractive indices. Our nonlinear optical models reveal remarkable capabilities through natural self-organization principles. The nonlinear Helmholtz model achieves 40-60% parameter reduction while maintaining superior mode separation via self-focusing phenomena. The cubic-quintic dissipative wave model prevents mode collapse through balanced attractive-repulsive interactions, enabling stable soliton formation with 20-40% improved coverage. The intensity-dependent Eikonal model creates adaptive pathways that dynamically respond to content, providing enhanced controllability in conditional generation. Experimental validation demonstrates consistent superiority over linear predecessors and traditional generative approaches. The nonlinear Helmholtz model achieves FID scores of 0.0089 versus 1.0909 for linear versions, while the cubic-quintic model reaches 0.0156 FID with exceptional stability. Memory usage drops 40-60% and training time improves 30-50% due to inherent nonlinear stability properties. The framework enables bidirectional benefits, advancing both generative AI and optical physics through novel approaches to soliton analysis, wavefront control, and refractive index reconstruction with 95% accuracy. This work reveals deep connections between physical self-organization and artificial intelligence, opening pathways toward efficient optical computing implementations.
• Abstract（参考訳）: 本稿では、光物理方程式を生成モデルに結合する包括的数学的枠組みを確立し、光伝搬ダイナミクスが強力な人工知能アプローチにどのように影響するかを実証する。 我々は6つの基本光学方程式を分析し、線形モデル(ヘルムホルツ、散逸波、アイコン方程式)をカー効果、立方晶性非線形性、強度依存屈折率を含む非線形拡張と比較する。 我々の非線形光学モデルは自然の自己組織化原理を通じて顕著な能力を示す。 非線形ヘルムホルツモデルは自己焦点現象による優れたモード分離を維持しつつ40-60%のパラメータ還元を達成する。 立方晶型散逸波モデルでは、バランスの取れた誘引相互作用によるモード崩壊を防止し、20-40%の改善で安定したソリトン形成を可能にする。 強度依存型アイコンモデルは、動的にコンテンツに応答する適応経路を生成し、条件生成における制御性を向上させる。 実験的な検証は、線形前駆体や従来の生成的アプローチよりも一貫した優位性を示す。 非線形ヘルムホルツモデルでは、線形版では0.0089、1.0909のFIDスコアが得られ、立方晶モデルは例外的な安定性で0.0156 FIDに達する。 メモリ使用量は40-60%減少し、トレーニング時間が30-50%改善した。 このフレームワークは、ソリトン分析、ウェーブフロント制御、屈折率再構成への新しいアプローチを通じて、生成AIと光学物理学の両方を95%の精度で進化させ、双方向の利点を実現する。 この研究は、物理的自己組織化と人工知能の深いつながりを明らかにし、効率的な光コンピューティング実装への道を開く。

関連論文リスト

• Generative System Dynamics in Recurrent Neural Networks [56.958984970518564]
  リカレントニューラルネットワーク(RNN)の連続時間ダイナミクスについて検討する。 線形および非線形構成の両方において安定な極限サイクルを実現するためには,スキュー対称性の重み行列が基本であることを示す。 数値シミュレーションは、非線形活性化関数が極限周期を維持するだけでなく、システム統合プロセスの数値安定性を高めることを示す。
  論文  参考訳（メタデータ） (2025-04-16T10:39:43Z)
• Data-driven model reconstruction for nonlinear wave dynamics [0.0]
  複雑な波動媒質における光ウェーブレットの非線形進化ダイナミクスを解析するための解釈可能な機械学習フレームワークを提案する。 我々はスパースレグレッションを用いて、ウェーブパケットエンベロープの力学を正確に記述できるより単純な有効モデルに微視的な離散格子モデルを還元する。 再構成された方程式は、自己中心化や自己焦点化を含む線形分散非線形効果を正確に再現する。
  論文  参考訳（メタデータ） (2024-11-18T13:17:10Z)
• Physics-constrained coupled neural differential equations for one dimensional blood flow modeling [0.3749861135832073]
  計算心血管モデリングは、血流動態を理解する上で重要な役割を担っている。 有限要素法(FEM)に基づく従来の1次元モデルは、3次元平均解に比べて精度が低いことが多い。 本研究では1次元血流モデルの精度を向上させる物理制約付き機械学習手法を提案する。
  論文  参考訳（メタデータ） (2024-11-08T15:22:20Z)
• Data-driven Modeling of Granular Chains with Modern Koopman Theory [0.20971479389679332]
  ディープニューラルネットワークは、グラニュラーシステムの本質的な非線形性を高次元線型空間に展開する潜在空間にダイナミクスをマッピングできることを示す。 提案するフレームワークは,物理モデルに関する前提を課すことなく,基礎となる力学を直接捉えることができる。
  論文  参考訳（メタデータ） (2024-11-01T02:36:17Z)
• Using system-reservoir methods to derive effective field theories for broadband nonlinear quantum optics: a case study on cascaded quadratic nonlinearities [0.0]
  多数の周波数成分間の非線形相互作用は、複素力学を誘導し、デファイ解析を行う。 我々は,貯水池の自由度を分解し,簡潔な有効モデルを確立するための摂動的枠組みを導入する。 本研究は, 高精度で直感的な還元モデル作成のためのシステム・貯留層法の有用性を強調した。
  論文  参考訳（メタデータ） (2023-11-06T23:00:47Z)
• TANGO: Time-Reversal Latent GraphODE for Multi-Agent Dynamical Systems [43.39754726042369]
  連続グラフニューラルネットワークに基づく常微分方程式(GraphODE)により予測される前後の軌跡を整列するソフト制約として,単純かつ効果的な自己監督型正規化項を提案する。 時間反転対称性を効果的に課し、古典力学の下でより広い範囲の力学系にわたってより正確なモデル予測を可能にする。 様々な物理システムに対する実験結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-10-10T08:52:16Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Neural Abstractions [72.42530499990028]
  本稿では,ニューラルネットワークを用いた非線形力学モデルの安全性検証手法を提案する。 提案手法は,既存のベンチマーク非線形モデルにおいて,成熟度の高いFlow*と同等に動作することを示す。
  論文  参考訳（メタデータ） (2023-01-27T12:38:09Z)
• Dynamical symmetry breaking through AI: The dimer self-trapping transition [0.0]
  物理を動機とした機械学習モデルを用いて、元の動的自己トラッピング遷移をキャプチャできることが示されている。 非退化非線形二量体の場合、この結果の爆発はより一般的な力学に関する追加情報を与える。
  論文  参考訳（メタデータ） (2021-09-20T15:31:35Z)
• Autoencoder-driven Spiral Representation Learning for Gravitational Wave Surrogate Modelling [47.081318079190595]
  オートエンコーダを用いた経験的係数における基礎構造の存在について検討する。 ニューラルネットワークの第一層として使用される学習可能なパラメータを持つスパイラルモジュールを設計し,入力空間を係数にマッピングする方法を学習する。 スパイラルモジュールは複数のニューラルネットワークアーキテクチャ上で評価され、ベースラインモデルよりも一貫して速度-精度のトレードオフを実現している。
  論文  参考訳（メタデータ） (2021-07-09T09:03:08Z)
• Topologically Protecting Squeezed Light on a Photonic Chip [58.71663911863411]
  集積フォトニクスは、導波路内部に厳密に光を閉じ込めることで非線形性を高めるエレガントな方法を提供する。 シリカチップに励起光を発生させることができる自発4波混合のトポロジカルに保護された非線形過程を実験的に実証した。
  論文  参考訳（メタデータ） (2021-06-14T13:39:46Z)

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。