論文の概要: Hybrid Particle Swarm Optimization for Fast and Reliable Parameter Extraction in Thermoreflectance

• arxiv url: http://arxiv.org/abs/2507.22960v1
• Date: Wed, 30 Jul 2025 01:35:42 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-08-01 13:50:35.909601
• Title: Hybrid Particle Swarm Optimization for Fast and Reliable Parameter Extraction in Thermoreflectance
• Title（参考訳）: 熱反射率の高速かつ信頼性の高いパラメータ抽出のためのハイブリッド粒子群最適化
• Authors: Bingjia Xiao, Tao Chen, Wenbin Zhang, Xin Qian, Puqing Jiang,
• Abstract要約: 周波数領域熱反射率(FDTR)を用いた多層薄膜の熱特性評価手法について検討する。 高速化と精度向上のために,各グローバルアルゴリズムと局所局所手法を組み合わせたAI駆動ハイブリッド最適化フレームワークを提案する。 これらのうち、HPSOは他の方法よりも優れており、80%は60秒で目標のロバスト性に達する。
• 参考スコア（独自算出の注目度）: 7.375644602553432
• License:
• Abstract: Frequency-domain thermoreflectance (FDTR) is a widely used technique for characterizing thermal properties of multilayer thin films. However, extracting multiple parameters from FDTR measurements presents a nonlinear inverse problem due to its high dimensionality and multimodal, non-convex solution space. This study evaluates four popular global optimization algorithms: Genetic Algorithm (GA), Quantum Genetic Algorithm (QGA), Particle Swarm Optimization (PSO), and Fireworks Algorithm (FWA), for extracting parameters from FDTR measurements of a GaN/Si heterostructure. However, none achieve reliable convergence within 60 seconds. To improve convergence speed and accuracy, we propose an AI-driven hybrid optimization framework that combines each global algorithm with a Quasi-Newton local refinement method, resulting in four hybrid variants: HGA, HQGA, HPSO, and HFWA. Among these, HPSO outperforms all other methods, with 80% of trials reaching the target fitness value within 60 seconds, showing greater robustness and a lower risk of premature convergence. In contrast, only 30% of HGA and HQGA trials and 20% of HFWA trials achieve this threshold. We then evaluate the worst-case performance across 100 independent trials for each algorithm when the time is extended to 1000 seconds. Only HPSO, PSO, and HGA consistently reach the target accuracy, with HPSO converging five times faster than the others. HPSO provides a general-purpose solution for inverse problems in thermal metrology and can be readily extended to other model-fitting techniques.
• Abstract（参考訳）: 周波数領域熱反射率 (FDTR) は多層膜の熱特性を特徴づける技術として広く用いられている。 しかし、FDTR測定から複数のパラメータを抽出すると、その高次元と多モード非凸解空間による非線形逆問題が発生する。 本研究では,GA(Genematic Algorithm),QGA(Quantum Genetic Algorithm),PSO(Particle Swarm Optimization),Failworks Algorithm(FWA)の4つのグローバル最適化アルゴリズムを評価し,GaN/Siヘテロ構造のFDTR測定からパラメータを抽出する。 しかし、60秒以内に信頼できる収束は得られない。 収束速度と精度を改善するために,各グローバルアルゴリズムと準ニュートン局所改善法を組み合わせたAI駆動ハイブリッド最適化フレームワークを提案し,その結果,HGA,HQGA,HPSO,HFWAの4つのハイブリッドモデルが得られた。 これらのうち、HPSOは他の方法よりも優れており、80%の試験が60秒以内に目標のフィットネス値に到達し、ロバスト性が向上し、早期収束のリスクが低くなった。 対照的に、HGAおよびHQGA試験の30%とHFWA試験の20%しかこの閾値を達成していない。 次に,1000秒に拡張されたアルゴリズムに対して,100個の独立試行において最悪の性能を評価する。 HPSO、PSO、HGAのみが常に目標精度に達し、HPSOは他のものよりも5倍の速度で収束する。 HPSOは熱力学における逆問題に対して汎用的な解を提供し、他のモデル適合技術にも容易に拡張できる。

関連論文リスト

• A Study of Hybrid and Evolutionary Metaheuristics for Single Hidden Layer Feedforward Neural Network Architecture [1.024113475677323]
  SGD(Gradient Descent)を用いた人工ニューラルネットワーク(ANN)のトレーニングは、しばしば困難に遭遇する。 本研究では,Particle Swarm Optimization (PSO) と遺伝的アルゴリズム (GA) について検討する。 局所探索効率を向上させるためにハイブリッドPSO-SGD戦略を開発した。
  論文  参考訳（メタデータ） (2025-06-17T04:12:58Z)
• Accelerating Evolution: Integrating PSO Principles into Real-Coded Genetic Algorithm Crossover [2.854482269849925]
  本研究では、Particle Swarm Optimization-inspired Crossover (PSOX) という、革新的なクロスオーバー演算子を紹介する。 PSOXは、現在のグローバルベストソリューションと、複数の世代にわたる過去の最適ソリューションの両方からのガイダンスを独自に取り入れている。 この機構により,探索空間の有望な領域への収束を同時に促進しながら,個体数の多様性を維持することができる。
  論文  参考訳（メタデータ） (2025-05-06T06:17:57Z)
• Faster WIND: Accelerating Iterative Best-of-$N$ Distillation for LLM Alignment [81.84950252537618]
  本稿では,反復的BONDと自己プレイアライメントの統一的なゲーム理論接続を明らかにする。 WINレート支配(WIN rate Dominance, WIND)という新しいフレームワークを構築し, 正規化利率支配最適化のためのアルゴリズムを多数提案する。
  論文  参考訳（メタデータ） (2024-10-28T04:47:39Z)
• A Deep Unrolling Model with Hybrid Optimization Structure for Hyperspectral Image Deconvolution [50.13564338607482]
  本稿では,DeepMixと呼ばれるハイパースペクトルデコンボリューション問題に対する新しい最適化フレームワークを提案する。 これは3つの異なるモジュール、すなわちデータ一貫性モジュール、手作りの正規化器の効果を強制するモジュール、および装飾モジュールで構成されている。 本研究は,他のモジュールの協調作業によって達成される進歩を維持するために設計された,文脈を考慮した認知型モジュールを提案する。
  論文  参考訳（メタデータ） (2023-06-10T08:25:16Z)
• Multipoint-BAX: A New Approach for Efficiently Tuning Particle Accelerator Emittance via Virtual Objectives [47.52324722637079]
  マルチポイントクエリにおけるブラックボックス最適化のための情報理論アルゴリズムであるMultipoint-BAXを提案する。 我々はマルチポイントBAXを用いてLinac Coherent Light Source(LCLS)とAdvanced Accelerator Experimental Tests II(FACET-II)の発光を最小化する。
  論文  参考訳（メタデータ） (2022-09-10T04:01:23Z)
• LassoBench: A High-Dimensional Hyperparameter Optimization Benchmark Suite for Lasso [84.6451154376526]
  LassoBenchは、Lassoコミュニティで重要なオープンリサーチトピックに適した、新しいベンチマークスイートである。 我々は5つの最先端HPO法と3つのベースラインを評価し、ベイズ最適化が、特にスパース回帰によく用いられる手法よりも改善できることを実証した。
  論文  参考訳（メタデータ） (2021-11-04T12:05:09Z)
• Convergence Analysis of Homotopy-SGD for non-convex optimization [43.71213126039448]
  ホモトピー法とSGDを組み合わせた一階述語アルゴリズム、Gradienty-Stoch Descent (H-SGD)を提案する。 いくつかの仮定の下で、提案した問題の理論的解析を行う。 実験の結果,H-SGDはSGDより優れていた。
  論文  参考訳（メタデータ） (2020-11-20T09:50:40Z)
• An Adaptive EM Accelerator for Unsupervised Learning of Gaussian Mixture Models [0.7340845393655052]
  教師なし学習のための適応予測最大化(EM)アルゴリズムのためのAnderson Accelerationスキームを提案する。 提案アルゴリズムは、最適混合成分数を自律的に決定することができ、非加速バージョンよりもはるかに高速に最適解に収束する。
  論文  参考訳（メタデータ） (2020-09-26T22:55:44Z)
• Efficient Machine Learning Approach for Optimizing the Timing Resolution of a High Purity Germanium Detector [0.0]
  60cm3同軸高純度ゲルマニウム検出器(HPGe)による511keVガンマ線検出によるパラメータの最適化のための効率的な機械学習手法について述べる。 この方法は、自己組織化マップ(SOM)と呼ばれる人工知能ニューラルネットワーク(ANN)を用いて、その立ち上がりエッジの形状に基づいてHPGe波形をクラスタリングする。 これらの可変タイミングパラメータをHPGe信号に適用すると、511keVのピークで4.3 nsのガンマ衝突時間分解能と、全体の6.5 nsのタイミング分解能が得られる。
  論文  参考訳（メタデータ） (2020-03-31T16:04:21Z)
• Adaptivity of Stochastic Gradient Methods for Nonconvex Optimization [71.03797261151605]
  適応性は現代最適化理論において重要であるが、研究されていない性質である。 提案アルゴリズムは,PL目標に対して既存のアルゴリズムよりも優れた性能を保ちながら,PL目標に対して最適な収束性を実現することを実証した。
  論文  参考訳（メタデータ） (2020-02-13T05:42:27Z)

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。