論文の概要: Improved Physics-Driven Neural Network to Solve Inverse Scattering Problems
- arxiv url: http://arxiv.org/abs/2512.09333v1
- Date: Wed, 10 Dec 2025 05:41:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-11 15:14:53.408195
- Title: Improved Physics-Driven Neural Network to Solve Inverse Scattering Problems
- Title（参考訳）: 逆散乱問題の解法のための物理駆動ニューラルネットワークの改良
- Authors: Yutong Du, Zicheng Liu, Bo Wu, Jingwei Kou, Hang Li, Changyou Li, Yali Zong, Bo Qi,
- Abstract要約: 本稿では、電磁逆散乱問題(ISP)を解決するための改良された物理駆動型ニューラルネットワーク(IPDNN)フレームワークを提案する。
収束を安定させ、軽量で正確なネットワークアーキテクチャを実現するため、新しいガウス局所発振抑制窓(GLOW)アクティベーション関数を導入した。
提案手法は, 従来の最先端手法と比較して, 復元精度, 堅牢性, 効率性に優れる。
- 参考スコア（独自算出の注目度）: 11.456980278006574
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents an improved physics-driven neural network (IPDNN) framework for solving electromagnetic inverse scattering problems (ISPs). A new Gaussian-localized oscillation-suppressing window (GLOW) activation function is introduced to stabilize convergence and enable a lightweight yet accurate network architecture. A dynamic scatter subregion identification strategy is further developed to adaptively refine the computational domain, preventing missed detections and reducing computational cost. Moreover, transfer learning is incorporated to extend the solver's applicability to practical scenarios, integrating the physical interpretability of iterative algorithms with the real-time inference capability of neural networks. Numerical simulations and experimental results demonstrate that the proposed solver achieves superior reconstruction accuracy, robustness, and efficiency compared with existing state-of-the-art methods.
- Abstract（参考訳）: 本稿では、電磁逆散乱問題(ISP)を解決するための改良された物理駆動型ニューラルネットワーク(IPDNN)フレームワークを提案する。
収束を安定させ、軽量で正確なネットワークアーキテクチャを実現するため、新しいガウス局所発振抑制窓(GLOW)アクティベーション関数を導入した。
動的散乱部分領域識別戦略をさらに発展させ、計算領域を適応的に洗練し、ミス検出を防止し、計算コストを低減させる。
さらに、トランスファーラーニングは、繰り返しアルゴリズムの物理的解釈可能性とニューラルネットワークのリアルタイム推論能力を統合することで、解法の適用性を実践シナリオにまで拡張するために組み込まれている。
数値シミュレーションと実験により,提案手法は既存の最先端手法と比較して,再現精度,頑健性,効率性に優れることを示した。
関連論文リスト
- SO-PIFRNN: Self-optimization physics-informed Fourier-features randomized neural network for solving partial differential equations [3.769992289689535]
本研究では,自己最適化物理を用いたフーリエ特徴ランダムニューラルネットワーク(SO-PIFRNN)フレームワークを提案する。
内層最適化は最小二乗法によりニューラルネットワークの出力層重みを決定する。
実験の結果,SO-PIFRNNは近似精度と周波数捕捉能に優れていた。
論文 参考訳（メタデータ） (2025-08-07T02:08:34Z) - Physics-Driven Neural Network for Solving Electromagnetic Inverse Scattering Problems [7.564377962527698]
物理駆動型ニューラルネットワーク(PDNN)を用いた逆散乱問題(ISP)に対する新しい解法を提案する。
PDNNは、収集された散乱場の入力と予測された解に対応する散乱場の計算のみを訓練する。
提案手法は, 複合損失散乱器を用いた場合であっても, 復元精度が高く, 安定性が高いことを示す。
論文 参考訳（メタデータ） (2025-07-22T08:04:50Z) - Model-Driven Deep Neural Network for Enhanced AoA Estimation Using 5G gNB [25.578334082503755]
現在の無線ネットワークは、位置決め機能を実現するためにモデル駆動アプローチに依存している。
人工知能を位置決めフレームワークに統合することは、位置情報ベースのサービスの正確性と堅牢性に革命をもたらす、有望なソリューションを提供する。
本稿では,モデル駆動型深層ニューラルネットワーク(MoD-DNN)を提案する。
論文 参考訳（メタデータ） (2024-12-10T01:16:48Z) - Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware [78.17783007774295]
本稿では,高精度かつエネルギー効率の高い単発多次元高調波検索のための変換に基づくニューロモルフィックアルゴリズムの可能性について検討する。
複雑な値の畳み込み層と活性化をスパイクニューラルネットワーク(SNN)に変換する新しい手法を開発した。
変換されたSNNは、元のCNNに比べて性能が低下し、ほぼ5倍の電力効率を実現している。
論文 参考訳（メタデータ） (2024-12-05T09:41:33Z) - A simple algorithm for output range analysis for deep neural networks [0.0]
本稿では,Deep Neural Networks (DNN) における出力範囲推定問題に対して,Simulated Annealing (SA) アルゴリズムを統合した新しい手法を提案する。
この方法はResNetsに固有の幾何学的情報や非線形性の欠如による課題に効果的に対処する。
論文 参考訳（メタデータ） (2024-07-02T22:47:40Z) - Residual resampling-based physics-informed neural network for neutron diffusion equations [7.105073499157097]
中性子拡散方程式は原子炉の解析において重要な役割を果たす。
従来のPINNアプローチでは、完全に接続されたネットワーク(FCN)アーキテクチャを利用することが多い。
R2-PINNは、現在の方法に固有の制限を効果的に克服し、中性子拡散方程式のより正確で堅牢な解を提供する。
論文 参考訳（メタデータ） (2024-06-23T13:49:31Z) - Efficient and Flexible Neural Network Training through Layer-wise Feedback Propagation [49.44309457870649]
レイヤワイドフィードバックフィードバック(LFP)は、ニューラルネットワークのような予測器のための新しいトレーニング原則である。
LFPはそれぞれの貢献に基づいて個々のニューロンに報酬を分解する。
提案手法は,ネットワークの有用な部分と有害な部分の弱体化を両立させる手法である。
論文 参考訳（メタデータ） (2023-08-23T10:48:28Z) - Implicit Stochastic Gradient Descent for Training Physics-informed
Neural Networks [51.92362217307946]
物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。
PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。
本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
論文 参考訳（メタデータ） (2023-03-03T08:17:47Z) - NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with
Spatial-temporal Decomposition [67.46012350241969]
本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。
元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。
本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
論文 参考訳（メタデータ） (2023-02-20T19:36:52Z) - Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。
我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
論文 参考訳（メタデータ） (2021-06-03T00:02:05Z)
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。