論文の概要: Fourier Feature Networks for High-Fidelity Prediction of Perturbed Optical Fields

• arxiv url: http://arxiv.org/abs/2508.19751v1
• Date: Wed, 27 Aug 2025 10:25:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-28 19:07:41.590461
• Title: Fourier Feature Networks for High-Fidelity Prediction of Perturbed Optical Fields
• Title（参考訳）: 摂動場高忠実度予測のためのフーリエ特徴ネットワーク
• Authors: Joshua R. Jandrell, Mitchell A. Cox,
• Abstract要約: 我々は,機械的圧縮下でのマルチモードファイバの行列伝達を予測するためにネットワークを訓練する。 標準に比べて、出力フィールドの振幅と位相の予測誤差を桁違いに低減する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modelling the effects of perturbations on optical fields often requires learning highly oscillatory complex-valued functions. Standard multi-layer perceptrons (MLPs) struggle with this task due to an inherent spectral bias, preventing them from fitting high-frequency sinusoids. To overcome this, we incorporate Fourier features - a set of predefined sinusoids dependent on the perturbation - as an additional network input. This reframes the learning problem from approximating a complex function to finding a linear combination of basis functions. We demonstrate this method by training a Fourier Feature Network to predict the transmission matrix of a multimode fibre under mechanical compression. Compared to a standard MLP, our network reduces prediction error in the output field's amplitude and phase by an order of magnitude, achieving a mean complex correlation of 0.995 with the ground truth, despite using 85% fewer parameters. This approach offers a general and robust method for accurately modelling a wide class of oscillatory physical systems.
• Abstract（参考訳）: 摂動の光学場への影響をモデル化するには、しばしば高振動複素値関数の学習が必要である。 標準多層パーセプトロン(MLP)は固有のスペクトルバイアスのためにこの課題に苦慮し、高周波の正弦波に収まらない。 これを解決するために、Fourier機能 - 摂動に依存する事前定義された正弦波のセット - を追加のネットワーク入力として組み込む。 これは、複雑な関数の近似から基底関数の線形結合を見つけるまでの学習問題を再構成する。 メカニカル圧縮下でのマルチモードファイバの伝送行列を予測するために,フーリエ特徴ネットワークを訓練することにより,本手法を実証する。 標準のMLPと比較して,出力フィールドの振幅と位相の予測誤差を桁違いに低減し,パラメータが85%少ないにもかかわらず,0.995と地上の真理との平均複素相関を達成できる。 このアプローチは、幅広い振動物理系を正確にモデル化するための汎用的で堅牢な方法を提供する。

関連論文リスト

• Near-optimal decomposition of unitary matrices using phase masks and the discrete Fourier transform [0.0]
  本稿では,2N+5$相マスクを2N+4$離散フーリエ変換行列にインターリーブした構成的一元行列分解法を提案する。 この分解を利用して、位相マスクとマルチモード干渉カプラに基づくユニバーサル干渉計を設計することができる。
  論文  参考訳（メタデータ） (2025-08-27T16:13:34Z)
• LSCD: Lomb-Scargle Conditioned Diffusion for Time series Imputation [55.800319453296886]
  欠落または不規則なサンプルデータを持つ時系列は、機械学習において永続的な課題である。 我々は,不規則サンプルデータのパワースペクトルの信頼性の高い計算を可能にする,異なるLombiable-Scargle層を導入する。
  論文  参考訳（メタデータ） (2025-06-20T14:48:42Z)
• Robustifying Fourier Features Embeddings for Implicit Neural Representations [25.725097757343367]
  Inlicit Neural Representation (INR) は、目標関数の対応する値に座標をマッピングすることで、連続関数を表現するためにニューラルネットワークを使用する。 INRは、様々な周波数を含むシーンを扱う際に、スペクトルバイアスとして知られる課題に直面している。 本稿では,多層パーセプトロン (MLP) を添加剤なしで使用することを提案する。
  論文  参考訳（メタデータ） (2025-02-08T07:43:37Z)
• Coordinate-based Neural Network for Fourier Phase Retrieval [8.827173113748703]
  Single ImpliCit neurAl Network (SCAN) は、位相探索性能を向上させるために慎重に設計されたニューラルネットワークをコーディネートするツールである。 SCANは、教師なしの方法で、オブジェクト座標を統一ネットワーク内の振幅と位相に順応的に接続する。
  論文  参考訳（メタデータ） (2023-11-25T04:23:23Z)
• Understanding the Spectral Bias of Coordinate Based MLPs Via Training Dynamics [2.9443230571766854]
  本稿では,ReLUネットワークの計算結果と勾配勾配収束速度の関連性について検討する。 次に、この定式化を用いて、低次元設定におけるスペクトルバイアスの重症度と位置符号化がこれを克服する方法について研究する。
  論文  参考訳（メタデータ） (2023-01-14T04:21:25Z)
• Incremental Spatial and Spectral Learning of Neural Operators for Solving Large-Scale PDEs [86.35471039808023]
  Incrmental Fourier Neural Operator (iFNO)を導入し、モデルが使用する周波数モードの数を徐々に増加させる。 iFNOは、各種データセット間の一般化性能を維持したり改善したりしながら、トレーニング時間を短縮する。 提案手法は,既存のフーリエニューラル演算子に比べて20%少ない周波数モードを用いて,10%低いテスト誤差を示すとともに,30%高速なトレーニングを実現する。
  論文  参考訳（メタデータ） (2022-11-28T09:57:15Z)
• Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
  本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。 この研究は、単一変換による周波数領域学習のための青写真を導入している。
  論文  参考訳（メタデータ） (2022-11-26T01:56:05Z)
• Factorized Fourier Neural Operators [77.47313102926017]
  Factorized Fourier Neural Operator (F-FNO) は偏微分方程式をシミュレートする学習法である。 我々は,数値解法よりも桁違いに高速に動作しながら,誤差率2%を維持していることを示す。
  論文  参考訳（メタデータ） (2021-11-27T03:34:13Z)
• Large-Scale Learning with Fourier Features and Tensor Decompositions [3.6930948691311007]
  決定論的フーリエ特徴のテンソル積構造を利用して、モデルパラメータを低ランクテンソル分解として表現することができる。 数値実験により、我々の低ランクテンソル法が対応する非パラメトリックモデルと同じ性能を得ることを示す。
  論文  参考訳（メタデータ） (2021-09-03T14:12:53Z)
• Fourier Features Let Networks Learn High Frequency Functions in Low Dimensional Domains [69.62456877209304]
  単純なフーリエ特徴写像を通して入力点を渡すことで、多層パーセプトロンが高周波関数を学習できることを示す。 結果は、最先端の結果を達成するコンピュータビジョンとグラフィックの進歩に光を当てた。
  論文  参考訳（メタデータ） (2020-06-18T17:59:11Z)

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。