Fugu-MT 論文翻訳(概要): PIDT: Physics-Informed Digital Twin for Optical Fiber Parameter Estimation

論文の概要: PIDT: Physics-Informed Digital Twin for Optical Fiber Parameter Estimation

arxiv url: http://arxiv.org/abs/2601.07436v1
Date: Mon, 12 Jan 2026 11:25:31 GMT
ステータス: 翻訳完了
システム内更新日: 2026-01-13 19:08:01.357934
Title: PIDT: Physics-Informed Digital Twin for Optical Fiber Parameter Estimation
Title（参考訳）: PIDT:光ファイバーパラメータ推定のための物理インフォームドデジタルツイン
Authors: Zicong Jiang, Magnus Karlsson, Erik Agrell, Christian Häger,
Abstract要約: PIDTは、従来のニューラル演算子に比べて複雑さの低い精度と収束速度を改善する。パラメータ化分割ステップ法と物理インフォームド損失を組み合わせたファイバーパラメータ推定手法を提案する。
参考スコア（独自算出の注目度）: 9.168493807356882
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose physics-informed digital twin (PIDT): a fiber parameter estimation approach that combines a parameterized split-step method with a physics-informed loss. PIDT improves accuracy and convergence speed with lower complexity compared to previous neural operators.
Abstract（参考訳）: 物理インフォームド・デジタルツイン (PIDT) をパラメータ化分割法と物理インフォームド・ロスを組み合わせたファイバーパラメータ推定手法として提案する。 PIDTは、従来のニューラル演算子に比べて複雑さの低い精度と収束速度を改善する。

関連論文リスト

Squeezing-Enhanced Two-Phase Estimation with N-Particle W-type States [11.248437993511393]
光パラメトリック増幅(OPA)による3モード干渉計における2つの光位相の同時推定について検討する。均一に適用されたOPAは、未増幅干渉計以上の達成可能な精度を著しく向上することを示す。損失は達成可能な精度を低下させるが、OPA支援スキームは適度な損失に対して明確な優位性を保ち、消散に対する堅牢性を示している。
論文参考訳（メタデータ） (2026-01-09T07:30:39Z)
Kernel-Adaptive PI-ELMs for Forward and Inverse Problems in PDEs with Sharp Gradients [0.0]
本稿では,KAPI-ELM(Kernel Adaptive Physics-Informed Extreme Learning Machine)を紹介する。局所的急勾配を含む前方および逆部分微分方程式(PDE)の問題を解くように設計されている。 KAPI-ELMは、フォワード設定と逆設定の両方で最先端の精度を達成する。
論文参考訳（メタデータ） (2025-07-14T13:03:53Z)
PT-PINNs: A Parametric Engineering Turbulence Solver based on Physics-Informed Neural Networks [2.738470018053365]
本研究では,PINNがデータセットを訓練せずにパラメトリック乱流を解く能力を高める枠組みを提案する。パラメトリックBFS乱流モデルを構築するのに必要な時間は39時間であり、従来の数値法で必要とされる時間の1/6である。
論文参考訳（メタデータ） (2025-03-22T09:10:53Z)
Scaling Exponents Across Parameterizations and Optimizers [94.54718325264218]
本稿では,先行研究における重要な仮定を考察し,パラメータ化の新たな視点を提案する。私たちの経験的調査には、3つの組み合わせでトレーニングされた数万のモデルが含まれています。最高の学習率のスケーリング基準は、以前の作業の仮定から除外されることがよくあります。
論文参考訳（メタデータ） (2024-07-08T12:32:51Z)
The Empirical Impact of Neural Parameter Symmetries, or Lack Thereof [50.49582712378289]
ニューラル・ネットワーク・アーキテクチャの導入により,ニューラル・パラメータ・対称性の影響について検討する。我々は,パラメータ空間対称性を低減するために,標準的なニューラルネットワークを改良する2つの手法を開発した。実験により,パラメータ対称性の経験的影響に関する興味深い観察がいくつか示された。
論文参考訳（メタデータ） (2024-05-30T16:32:31Z)
Fast Hyperparameter Tuning for Ising Machines [0.8057006406834467]
ファストコンバージェンス(FastConvergence)は、木構造型Parzen Estimator(TPE)の収束加速度法である実験では、よく知られたトラベルセールスマン問題(TSP)と擬似アサインメント問題(QAP)が入力として使用される。結果は、FastConvergenceはトライアルの半数未満で、TPEと同じような結果が得られることを示している。
論文参考訳（メタデータ） (2022-11-29T01:53:31Z)
NeurOLight: A Physics-Agnostic Neural Operator Enabling Parametric Photonic Device Simulation [17.295318670037886]
超高速パラメトリックフォトニックデバイスシミュレーションのための周波数領域Maxwell PDEのファミリーを学習するために、NeurOLightと呼ばれる物理に依存しないニューラルネットワークフレームワークが提案されている。我々は、NeurOLightが、未知のシミュレーション設定の広い空間に一般化し、数値解法よりも2桁の高速なシミュレーション速度を示し、予測誤差を54%減らし、パラメータを44%減らして、従来のニューラルネットワークモデルより優れていることを示す。
論文参考訳（メタデータ） (2022-09-19T21:25:26Z)
Learning Physics-Informed Neural Networks without Stacked Back-propagation [82.26566759276105]
我々は,物理インフォームドニューラルネットワークのトレーニングを著しく高速化する新しい手法を開発した。特に、ガウス滑らか化モデルによりPDE解をパラメータ化し、スタインの恒等性から導かれる2階微分がバックプロパゲーションなしで効率的に計算可能であることを示す。実験の結果,提案手法は通常のPINN訓練に比べて2桁の精度で競合誤差を実現できることがわかった。
論文参考訳（メタデータ） (2022-02-18T18:07:54Z)
Spectral Tensor Train Parameterization of Deep Learning Layers [136.4761580842396]
重み行列の低ランクパラメータ化をDeep Learningコンテキストに埋め込まれたスペクトル特性を用いて検討する。分類設定におけるニューラルネットワーク圧縮の効果と,生成的対角トレーニング設定における圧縮および安定性トレーニングの改善について述べる。
論文参考訳（メタデータ） (2021-03-07T00:15:44Z)
On the Sparsity of Neural Machine Translation Models [65.49762428553345]
性能向上のために冗長パラメータを再利用できるかどうかを検討する。実験と分析は異なるデータセットとNTTアーキテクチャで体系的に行われる。
論文参考訳（メタデータ） (2020-10-06T11:47:20Z)

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。