論文の概要: RamPINN: Recovering Raman Spectra From Coherent Anti-Stokes Spectra Using Embedded Physics
- arxiv url: http://arxiv.org/abs/2510.06020v1
- Date: Tue, 07 Oct 2025 15:18:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-08 17:57:08.30842
- Title: RamPINN: Recovering Raman Spectra From Coherent Anti-Stokes Spectra Using Embedded Physics
- Title（参考訳）: RamPINN: 埋め込み物理学を用いたコヒーレントアンチストークススペクトルからのラマンスペクトルの回収
- Authors: Sai Karthikeya Vemuri, Adithya Ashok Chalain Valapil, Tim Büchner, Joachim Denzler,
- Abstract要約: 本稿では,与えられたCARSスペクトルからラマンスペクトルを復元するモデルであるRamPINNを提案する。
我々の中核的な方法論的貢献は、二重デコーダアーキテクチャを利用して共鳴信号と非共鳴信号を切り離す物理インフォームドニューラルネットワークである。
これらの物理に基づく損失のみによるトレーニングは、ラマンスペクトルにアクセスすることなく、まだ競争力のある結果が得られることを示す。
- 参考スコア（独自算出の注目度）: 6.031443311367233
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Transferring the recent advancements in deep learning into scientific disciplines is hindered by the lack of the required large-scale datasets for training. We argue that in these knowledge-rich domains, the established body of scientific theory provides reliable inductive biases in the form of governing physical laws. We address the ill-posed inverse problem of recovering Raman spectra from noisy Coherent Anti-Stokes Raman Scattering (CARS) measurements, as the true Raman signal here is suppressed by a dominating non-resonant background. We propose RamPINN, a model that learns to recover Raman spectra from given CARS spectra. Our core methodological contribution is a physics-informed neural network that utilizes a dual-decoder architecture to disentangle resonant and non-resonant signals. This is done by enforcing the Kramers-Kronig causality relations via a differentiable Hilbert transform loss on the resonant and a smoothness prior on the non-resonant part of the signal. Trained entirely on synthetic data, RamPINN demonstrates strong zero-shot generalization to real-world experimental data, explicitly closing this gap and significantly outperforming existing baselines. Furthermore, we show that training with these physics-based losses alone, without access to any ground-truth Raman spectra, still yields competitive results. This work highlights a broader concept: formal scientific rules can act as a potent inductive bias, enabling robust, self-supervised learning in data-limited scientific domains.
- Abstract（参考訳）: ディープラーニングの最近の進歩を科学分野に移すことは、訓練に必要な大規模なデータセットが欠如していることによって妨げられている。
これらの知識に富む領域において、確立された科学理論の体系は、物理法則を統治する形で信頼できる帰納的バイアスをもたらすと論じる。
ノイズコヒーレント・アンチストークス・ラマン散乱(CARS)測定からラマンスペクトルを復元する不適切な逆問題に対処する。
本稿では,与えられたCARSスペクトルからラマンスペクトルを復元するモデルであるRamPINNを提案する。
我々の中核的な方法論的貢献は、二重デコーダアーキテクチャを利用して共鳴信号と非共鳴信号を切り離す物理インフォームドニューラルネットワークである。
これは、Kramers-Kronig因果関係を、共振器上の微分可能なヒルベルト変換損失と、信号の非共振部分に対する滑らかさによって強制する。
完全に合成データに基づいて訓練されたRamPINNは、実世界の実験データに対して強力なゼロショット一般化を示し、このギャップを明示的に閉じ、既存のベースラインを大幅に上回っている。
さらに、これらの物理に基づく損失のみによるトレーニングは、根底的なラマンスペクトルにアクセスすることなく、競争力のある結果が得られることを示す。
フォーマルな科学規則は強力な帰納バイアスとして作用し、データ制限された科学領域における堅牢で自己管理的な学習を可能にする。
関連論文リスト
- Mimicking the Physicist's Eye:A VLM-centric Approach for Physics Formula Discovery [98.58830663687911]
VIPERR-aq1は、方程式推論のための視覚誘導を行うマルチモーダルモデルである。
視覚知覚、軌跡データ、象徴的推論を統合し、科学的発見過程をエミュレートする。
常に最先端のVLMベースラインを精度と解釈性で上回る。
論文 参考訳（メタデータ） (2025-08-24T14:34:21Z) - Anticipating Decoherence: a Predictive Framework for Enhancing Coherence in Quantum Emitters [96.41185946460115]
遠隔量子エミッタにおける予測とデコヒーレンスエンジニアリングのための予測フレームワークを開発する。
限られたデータに基づいてトレーニングされた機械学習モデルは、目に見えないスペクトルの振る舞いを正確に予測できることを示す。
これらの結果は、スケーラブル量子システムにおけるリアルタイムデコヒーレンスエンジニアリングの道を開いた。
論文 参考訳（メタデータ） (2025-08-04T17:23:14Z) - Integrating Fourier Neural Operators with Diffusion Models to improve Spectral Representation of Synthetic Earthquake Ground Motion Response [0.0]
原子炉施設は、強震動による動的負荷に耐えるように設計されなければならない。
本研究では,人工地動を生成するためのAI物理に基づくアプローチを提案する。
以上の結果から,このような手法が生成した人工地震計の現実性を高めることが示唆された。
論文 参考訳（メタデータ） (2025-04-01T13:08:09Z) - Prospects for NMR Spectral Prediction on Fault-Tolerant Quantum Computers [0.24578723416255752]
トレードオフは、結果のスペクトルは古典的な計算のために課税されているシミュレーションを使って解釈する必要があることである。
これらのシミュレーションがフォールトトレラント量子計算の有望なターゲットであることを実証する。
論文 参考訳（メタデータ） (2024-06-13T17:20:49Z) - 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) - Reminiscence of classical chaos in driven transmons [117.851325578242]
共振器外ドライブでさえ、トランスモンスペクトルの構造に強い変化をもたらし、その大部分がカオスであることを示す。
その結果、カオス誘起量子分解効果の出現を特徴付ける光子数しきい値が導かれる。
論文 参考訳（メタデータ） (2022-07-19T16:04:46Z) - Momentum Diminishes the Effect of Spectral Bias in Physics-Informed
Neural Networks [72.09574528342732]
物理インフォームドニューラルネットワーク(PINN)アルゴリズムは、偏微分方程式(PDE)を含む幅広い問題を解く上で有望な結果を示している。
彼らはしばしば、スペクトルバイアスと呼ばれる現象のために、ターゲット関数が高周波の特徴を含むとき、望ましい解に収束しない。
本研究は, 運動量による勾配降下下で進化するPINNのトレーニングダイナミクスを, NTK(Neural Tangent kernel)を用いて研究するものである。
論文 参考訳（メタデータ） (2022-06-29T19:03:10Z) - Nondegenerate internal squeezing: an all-optical, loss-resistant quantum
technique for gravitational-wave detection [0.0]
我々は,信号モードとアイドラーモード周波数の異なる信号リサイクルキャビティ内における光パラメトリック発振の非退化内部スクイーズについて検討した。
この技術は、光検出損失からの脱コヒーレンスに耐性があり、ブロードバンド感度向上に有効である。
論文 参考訳（メタデータ） (2022-06-14T00:16:42Z) - RamanNet: A generalized neural network architecture for Raman Spectrum
Analysis [4.670045009583903]
ラマン分光法は分子の振動プロファイルを提供し、異なる種類の物質を識別するために用いられる。
近年のRaman Spectraデータ量の増加にもかかわらず、Raman Spectra分析のための一般化された機械学習手法の開発には大きな努力が払われていない。
既存の手法を検証、実験、評価し、現在の逐次モデルも従来の機械学習モデルも、Ramanスペクトルの分析に十分満足できないと推測する。
論文 参考訳（メタデータ） (2022-01-20T23:15:25Z) - Quantum particle across Grushin singularity [77.34726150561087]
2つの半円柱を分離する特異点を横断する透過現象について検討する。
自由(ラプラス・ベルトラミ)量子ハミルトンの局所的な実現は、透過/反射の非等価なプロトコルとして検討される。
これにより、文献で以前に特定されたいわゆる「ブリッジング」送信プロトコルの区別された状態を理解することができる。
論文 参考訳（メタデータ） (2020-11-27T12:53:23Z) - Theoretical methods for ultrastrong light-matter interactions [91.3755431537592]
本稿では,超強結合状態における空洞量子力学を理解するために開発された理論的手法について概説する。
本稿は、基底状態特性の解析的推定からマスター方程式の適切な計算まで、最近の進歩の概要を概説する。
論文の大半は、超強結合が到達した様々な実験プラットフォームに関連する効果的なモデルに特化している。
論文 参考訳（メタデータ） (2020-01-23T18:09:10Z)
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。