論文の概要: Towards Photonic Band Diagram Generation with Transformer-Latent Diffusion Models

• arxiv url: http://arxiv.org/abs/2510.01749v1
• Date: Thu, 02 Oct 2025 07:35:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 14:32:17.257366
• Title: Towards Photonic Band Diagram Generation with Transformer-Latent Diffusion Models
• Title（参考訳）: 変圧器-潜時拡散モデルを用いたフォトニックバンドダイアグラム生成に向けて
• Authors: Valentin Delchevalerie, Nicolas Roy, Arnaud Bougaham, Alexandre Mayer, Benoît Frénay, Michaël Lobet,
• Abstract要約: フォトニックバンドダイアグラム(BD)は、不均一な構造材料への光の伝播を研究する重要なツールである。 拡散モデルに基づくBD生成の最初のアプローチを紹介する。 本手法では,入力構造からコンテキスト埋め込みを抽出するトランスフォーマーエンコーダと遅延拡散モデルとを結合し,対応するBDを生成する。
• 参考スコア（独自算出の注目度）: 36.68704595055831
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Photonic crystals enable fine control over light propagation at the nanoscale, and thus play a central role in the development of photonic and quantum technologies. Photonic band diagrams (BDs) are a key tool to investigate light propagation into such inhomogeneous structured materials. However, computing BDs requires solving Maxwell's equations across many configurations, making it numerically expensive, especially when embedded in optimization loops for inverse design techniques, for example. To address this challenge, we introduce the first approach for BD generation based on diffusion models, with the capacity to later generalize and scale to arbitrary three dimensional structures. Our method couples a transformer encoder, which extracts contextual embeddings from the input structure, with a latent diffusion model to generate the corresponding BD. In addition, we provide insights into why transformers and diffusion models are well suited to capture the complex interference and scattering phenomena inherent to photonics, paving the way for new surrogate modeling strategies in this domain.
• Abstract（参考訳）: フォトニック結晶はナノスケールでの光伝播の制御を可能にし、フォトニックおよび量子技術の発展において中心的な役割を果たす。 フォトニックバンドダイアグラム(BD)は、このような不均一な構造材料への光の伝播を研究するための鍵となるツールである。 しかし、BDの計算には多くの構成でマクスウェル方程式を解く必要があり、特に逆設計技法の最適化ループに埋め込まれた場合、数値的にコストがかかる。 この課題に対処するために,拡散モデルに基づくBD生成の最初のアプローチを導入する。 本手法では,入力構造からコンテキスト埋め込みを抽出するトランスフォーマーエンコーダと遅延拡散モデルとを結合し,対応するBDを生成する。 さらに、なぜトランスフォーマーと拡散モデルがフォトニクスに固有の複雑な干渉や散乱現象を捉えるのに適しているのかを洞察し、この領域における新しい代理モデリング戦略の道を開く。

関連論文リスト

• Physics-guided and fabrication-aware inverse design of photonic devices using diffusion models [43.51581973358462]
  本稿では,拡散モデルのサンプリングプロセスに随伴勾配感度を統合する物理誘導フレームワークであるAdjointDiffusionを提案する。 提案手法は, 効率と製造性の両方において, 最先端の非線形勾配法より一貫して優れる。
  論文  参考訳（メタデータ） (2025-04-23T19:54:33Z)
• A Hybrid Wavelet-Fourier Method for Next-Generation Conditional Diffusion Models [0.0]
  本稿では、拡散パラダイムをハイブリッド周波数表現に適応させる新しい生成モデリングフレームワーク、Wavelet-Fourier-Diffusionを提案する。 ハイブリッド周波数に基づく表現は,大域的コヒーレンスと微妙なテクスチャ合成の制御をいかに改善するかを示す。
  論文  参考訳（メタデータ） (2025-04-04T17:11:04Z)
• Effective Diffusion Transformer Architecture for Image Super-Resolution [63.254644431016345]
  画像超解像のための効果的な拡散変換器(DiT-SR)を設計する。 実際には、DiT-SRは全体のU字型アーキテクチャを活用し、すべての変圧器ブロックに対して均一な等方性設計を採用する。 我々は、広く使われているAdaLNの制限を分析し、周波数適応型時間-ステップ条件付けモジュールを提案する。
  論文  参考訳（メタデータ） (2024-09-29T07:14:16Z)
• Transformers from Diffusion: A Unified Framework for Neural Message Passing [79.9193447649011]
  メッセージパッシングニューラルネットワーク(MPNN)は、デファクトクラスのモデルソリューションとなっている。 本稿では,拡散の誘導バイアスとエネルギーの層的制約を統合するエネルギー制約拡散モデルを提案する。 これらの知見に基づいて、我々はTransformer (DIFFormer)と呼ばれる新しいタイプのメッセージパッシングモデルを考案した。
  論文  参考訳（メタデータ） (2024-09-13T17:54:41Z)
• Laplacian-guided Entropy Model in Neural Codec with Blur-dissipated Synthesis [10.428185253933004]
  ガウスデコーダをデコーダ側の非等方拡散モデルに置き換える。 我々のフレームワークは、確率分布潜在表現を正確にモデル化する新しいエントロピーモデルを備えている。 実験により,我々のフレームワークは,最先端な生成エントロピーベースのコーデックに比べて知覚品質がよいことを示した。
  論文  参考訳（メタデータ） (2024-03-24T18:33:16Z)
• Solving Inverse Problems with Latent Diffusion Models via Hard Data Consistency [7.671153315762146]
  画素空間におけるトレーニング拡散モデルは、データ集約的かつ計算的に要求される。 非常に低次元空間で動作する潜在拡散モデルは、これらの課題に対する解決策を提供する。 我々は,事前学習した潜在拡散モデルを用いて,一般的な逆問題を解決するアルゴリズムであるtextitReSampleを提案する。
  論文  参考訳（メタデータ） (2023-07-16T18:42:01Z)
• Dimensionality-Varying Diffusion Process [52.52681373641533]
  拡散モデルは、信号破壊プロセスを逆転して新しいデータを生成することを学習する。 信号分解による前方拡散過程の理論的一般化を行う。 FFHQで訓練された拡散モデルのFIDを,52.40から10.46までの1024Times1024$解像度で改善する。
  論文  参考訳（メタデータ） (2022-11-29T09:05:55Z)

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。