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

• arxiv url: http://arxiv.org/abs/2508.19751v2
• Date: Tue, 02 Sep 2025 09:02:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-03 14:24:52.703038
• Title: High-Fidelity Prediction of Perturbed Optical Fields using Fourier Feature Networks
• Title（参考訳）: フーリエ特徴ネットワークを用いた摂動光学場の高忠実度予測
• Authors: Joshua R. Jandrell, Mitchell A. Cox,
• Abstract要約: 本稿では,多モードファイバの摂動依存性伝達行列を学習する,データ効率のよい機械学習フレームワークを提案する。 圧縮繊維による実験データから, 実測値と0.995の複素相関を持つ出力場を予測した。 このアプローチは、スパース測定から複雑な光学系をモデル化するための一般的なツールを提供する。
• 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: Predicting the effects of physical perturbations on optical channels is critical for advanced photonic devices, but existing modelling techniques are often computationally intensive or require exhaustive characterisation. We present a novel data-efficient machine learning framework that learns the perturbation-dependent transmission matrix of a multimode fibre. To overcome the challenge of modelling the resulting highly oscillatory functions, we encode the perturbation into a Fourier Feature basis, enabling a compact multi-layer perceptron to learn the mapping with high fidelity. On experimental data from a compressed fibre, our model predicts the output field with a 0.995 complex correlation to the ground truth, improving accuracy by an order of magnitude over standard networks while using 85\% fewer parameters. This approach provides a general tool for modelling complex optical systems from sparse measurements.
• Abstract（参考訳）: 光チャネルに対する物理的摂動の影響を予測することは、高度なフォトニックデバイスにとって重要であるが、既存のモデリング技術はしばしば計算集約的であるか、徹底的な特徴付けを必要とする。 本稿では,多モードファイバの摂動依存性伝達行列を学習する,データ効率のよい機械学習フレームワークを提案する。 結果として生じる高振動関数をモデル化する課題を克服するために、摂動をフーリエ特徴基底にエンコードし、コンパクトな多層パーセプトロンが高忠実度で写像を学習できるようにする。 圧縮ファイバーによる実験データから, 出力場を0.995の複素相関で予測し, パラメータを85%減らしながら, 標準ネットワーク上での精度を桁違いに向上する。 このアプローチは、スパース測定から複雑な光学系をモデル化するための一般的なツールを提供する。

関連論文リスト

• F-Adapter: Frequency-Adaptive Parameter-Efficient Fine-Tuning in Scientific Machine Learning [28.598598268071587]
  プレトレーニング大型演算子モデル(LOM)のためのPEFTの最初の系統的研究を行う。 また,LoRA(Lo-Rank Adaptation)により,LOMの性能はアダプタチューニングよりも著しく低下することがわかった。 アダプタのロバストな経験的ゲインとスペクトルスパースとしてのPDE解の理論的特徴により、周波数適応アダプタ(F-Adapter)を導入する。
  論文  参考訳（メタデータ） (2025-09-27T08:05:28Z)
• 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)
• Noise-tolerant tomography of multimode linear optical interferometers with single photons [0.0]
  本稿では,線形光干渉計の伝達行列を再構成する手法を提案する。 我々のアプローチは、損失と光子の不明瞭さを考慮に入れており、実験的な不完全性に対して堅牢である。 その結果, 行列再構成における忠実度が高く, ボソンサンプリング実験における有効性を示した。
  論文  参考訳（メタデータ） (2025-06-25T14:36:38Z)
• 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)
• ESSAformer: Efficient Transformer for Hyperspectral Image Super-resolution [76.7408734079706]
  単一ハイパースペクトル像超解像(単一HSI-SR)は、低分解能観測から高分解能ハイパースペクトル像を復元することを目的としている。 本稿では,1つのHSI-SRの繰り返し精製構造を持つESSA注目組込みトランスフォーマネットワークであるESSAformerを提案する。
  論文  参考訳（メタデータ） (2023-07-26T07:45:14Z)
• Physics-Driven Turbulence Image Restoration with Stochastic Refinement [80.79900297089176]
  大気乱流による画像歪みは、長距離光学画像システムにおいて重要な問題である。 ディープラーニングモデルが現実世界の乱流条件に適応するために、高速で物理学的なシミュレーションツールが導入された。 本稿では,物理統合復元ネットワーク(PiRN)を提案する。
  論文  参考訳（メタデータ） (2023-07-20T05:49:21Z)
• 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)
• 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)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• 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)
• Data-driven Modeling of Mach-Zehnder Interferometer-based Optical Matrix Multipliers [0.0]
  フォトニック集積回路は光ニューラルネットワークの開発を促進する。 光学行列乗算器のオフライントレーニングのための単純な解析モデルとデータ駆動モデルの両方について述べる。 ニューラルネットワークベースのモデルは、予測誤差の観点から、単純な物理ベースのモデルよりも優れています。
  論文  参考訳（メタデータ） (2022-10-17T15:19:26Z)
• Low-power multi-mode fiber projector overcomes shallow neural networks classifiers [10.161703420607552]
  マルチモード光ファイバは費用対効果が高く、扱いやすいツールである。 我々はこれらのファイバーをランダムなハードウェアプロジェクタにキャストし、入力データセットを高次元のスペックル画像集合に変換する。 その結果,標準伝送行列モデルより分類精度が高いことがわかった。
  論文  参考訳（メタデータ） (2022-10-10T14:55:02Z)
• 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)
• Regularization by Denoising Sub-sampled Newton Method for Spectral CT Multi-Material Decomposition [78.37855832568569]
  スペクトルctを用いたマルチマテリアル画像再構成のためのモデルベース最大後課題の解決法を提案する。 特に,プラグイン画像復号化機能に基づく正規化最適化問題について提案する。 スペクトルct材料分解の数値的および実験的結果を示す。
  論文  参考訳（メタデータ） (2021-03-25T15:20:10Z)
• 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。