論文の概要: Active learning for photonics

• arxiv url: http://arxiv.org/abs/2601.16287v1
• Date: Thu, 22 Jan 2026 19:42:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-26 14:27:27.388554
• Title: Active learning for photonics
• Title（参考訳）: フォトニクスのアクティブラーニング
• Authors: Ryan Lopez, Charlotte Loh, Rumen Dangovski, Marin Soljačić,
• Abstract要約: フォトニック結晶のアクティブラーニングは、解析的近似ベイズ層ニューラルネットワーク(LL-BNN)と不確実性駆動型サンプル選択の統合を探索する。 我々は,無限モンテカルロサンプル限界に対応する解析的LL-BNN定式化を用いて,真の予測誤差と強く相関する不確実性推定値を求める。 解析的なLL-BNNに基づく能動学習は,フォトニック結晶の位相最適化と逆設計を著しく加速する可能性が示唆された。
• 参考スコア（独自算出の注目度）: 7.710597841805829
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Active learning for photonic crystals explores the integration of analytic approximate Bayesian last layer neural networks (LL-BNNs) with uncertainty-driven sample selection to accelerate photonic band gap prediction. We employ an analytic LL-BNN formulation, corresponding to the infinite Monte Carlo sample limit, to obtain uncertainty estimates that are strongly correlated with the true predictive error on unlabeled candidate structures. These uncertainty scores drive an active learning strategy that prioritizes the most informative simulations during training. Applied to the task of predicting band gap sizes in two-dimensional, two-tone photonic crystals, our approach achieves up to a 2.6x reduction in required training data compared to a random sampling baseline while maintaining predictive accuracy. The efficiency gains arise from concentrating computational resources on high uncertainty regions of the design space rather than sampling uniformly. Given the substantial cost of full band structure simulations, especially in three dimensions, this data efficiency enables rapid and scalable surrogate modeling. Our results suggest that analytic LL-BNN based active learning can substantially accelerate topological optimization and inverse design workflows for photonic crystals, and more broadly, offers a general framework for data efficient regression across scientific machine learning domains.
• Abstract（参考訳）: フォトニック結晶のアクティブラーニングは、解析的近似ベイズ最終層ニューラルネットワーク(LL-BNN)と不確実性駆動型サンプル選択を統合し、フォトニックバンドギャップの予測を高速化する。 無限モンテカルロサンプル限界に対応する解析的LL-BNN定式化を用いて、ラベルなし候補構造上の真の予測誤差と強く相関する不確実性推定値を求める。 これらの不確実性スコアは、トレーニング中に最も情報に富むシミュレーションを優先するアクティブな学習戦略を促進する。 本研究では, 2次元フォトニック結晶のバンドギャップサイズを推定するタスクに適用し, 予測精度を維持しつつ, ランダムサンプリングベースラインと比較して, 必要なトレーニングデータの2.6倍の削減を実現した。 効率性の向上は、一様にサンプリングするのではなく、設計空間の高不確実性領域に計算資源を集中させることによって生じる。 特に3次元のバンド構造シミュレーションの大幅なコストを考えると、このデータ効率は高速でスケーラブルなサロゲートモデリングを可能にする。 解析的なLL-BNNに基づくアクティブラーニングは、フォトニック結晶のトポロジカル最適化と逆設計ワークフローを大幅に加速し、より広範に、科学的な機械学習領域にまたがるデータ効率のレグレッションのための一般的なフレームワークを提供することを示唆している。

関連論文リスト

• Augmented data and neural networks for robust epidemic forecasting: application to COVID-19 in Italy [0.2676349883103403]
  本稿では,ニューラルネットワークのトレーニングフェーズの改善を目的としたデータ拡張戦略を提案する。 提案手法は,不確実性の組み合わさった適切な構成モデルによる合成データの生成に依存している。 その結果、これらの拡張データセットに基づいてトレーニングされたニューラルネットワークは、予測性能を著しく改善していることがわかった。
  論文  参考訳（メタデータ） (2025-10-10T09:35:38Z)
• Fusing CFD and measurement data using transfer learning [49.1574468325115]
  本稿では,伝送学習によるシミュレーションと計測データを組み合わせたニューラルネットワークに基づく非線形手法を提案する。 最初のステップでは、ニューラルネットワークがシミュレーションデータに基づいてトレーニングされ、分散量の空間的特徴を学習する。 第2のステップは、ニューラルネットワークモデル全体の小さなサブセットを再トレーニングするだけで、シミュレーションと測定の間の体系的なエラーを修正するために、測定データ上での変換学習である。
  論文  参考訳（メタデータ） (2025-07-28T07:21:46Z)
• Performance Analysis of Convolutional Neural Network By Applying Unconstrained Binary Quadratic Programming [0.0]
  畳み込みニューラルネットワーク(CNN)は、コンピュータビジョンとビッグデータ分析において重要であるが、大規模なデータセットでトレーニングされた場合には、かなりの計算リソースを必要とする。 CNNトレーニングを高速化するために,Unconstrained Binary Quadratic Programming (UBQP) と Gradient Descent (SGD) を組み合わせたハイブリッド最適化手法を提案する。 提案手法は, BP-CNNベースラインの10-15%の精度向上を実現し, 同様の実行時間を維持する。
  論文  参考訳（メタデータ） (2025-05-30T21:25:31Z)
• TokenUnify: Scaling Up Autoregressive Pretraining for Neuron Segmentation [65.65530016765615]
  本稿では,3つの相補的な学習目標を通じて,大規模依存関係をキャプチャする階層型予測コーディングフレームワークを提案する。 TokenUnifyは、ランダムトークン予測、次のトークン予測、およびすべてのトークン予測を統合して、包括的な表現空間を作成する。 また,120億個の注釈付きボクセルを付加した大規模EMデータセットを導入し,空間連続性を持つ理想的な長周期視覚データを提供する。
  論文  参考訳（メタデータ） (2024-05-27T05:45:51Z)
• The Convex Landscape of Neural Networks: Characterizing Global Optima and Stationary Points via Lasso Models [75.33431791218302]
  ディープニューラルネットワーク(DNN)モデルは、プログラミング目的に使用される。 本稿では,凸型神経回復モデルについて検討する。 定常的非次元目的物はすべて,グローバルサブサンプリング型凸解法プログラムとして特徴付けられることを示す。 また, 静止非次元目的物はすべて, グローバルサブサンプリング型凸解法プログラムとして特徴付けられることを示す。
  論文  参考訳（メタデータ） (2023-12-19T23:04:56Z)
• Representation Learning with Multi-Step Inverse Kinematics: An Efficient and Optimal Approach to Rich-Observation RL [106.82295532402335]
  既存の強化学習アルゴリズムは、計算的難易度、強い統計的仮定、最適なサンプルの複雑さに悩まされている。 所望の精度レベルに対して、レート最適サンプル複雑性を実現するための、最初の計算効率の良いアルゴリズムを提供する。 我々のアルゴリズムMusIKは、多段階の逆運動学に基づく表現学習と体系的な探索を組み合わせる。
  論文  参考訳（メタデータ） (2023-04-12T14:51:47Z)
• 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)
• Physics-informed Deep Super-resolution for Spatiotemporal Data [18.688475686901082]
  ディープ・ラーニングは、粗い粒度のシミュレーションに基づいて科学的データを増やすのに使うことができる。 物理インフォームドラーニングにインスパイアされた、豊かで効率的な時間的超解像フレームワークを提案する。 その結果,提案手法の有効性と効率が,ベースラインアルゴリズムと比較して優れていることが示された。
  論文  参考訳（メタデータ） (2022-08-02T13:57:35Z)
• Estimating permeability of 3D micro-CT images by physics-informed CNNs based on DNS [1.6274397329511197]
  本稿では,地質岩のマイクロCTによる透水率予測手法を提案する。 透過性予測専用のCNNのためのトレーニングデータセットは、古典格子ボルツマン法(LBM)によって通常生成される透過性ラベルからなる。 その代わりに、定常ストークス方程式を効率的かつ分散並列に解き、直接数値シミュレーション(DNS)を行う。
  論文  参考訳（メタデータ） (2021-09-04T08:43:19Z)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)
• Multi-Sample Online Learning for Spiking Neural Networks based on Generalized Expectation Maximization [42.125394498649015]
  スパイキングニューラルネットワーク(SNN)は、バイナリニューラルダイナミックアクティベーションを通じて処理することで、生物学的脳の効率の一部をキャプチャする。 本稿では, シナプス重みを共有しながら, 独立したスパイキング信号をサンプリングする複数のコンパートメントを活用することを提案する。 鍵となる考え方は、これらの信号を使ってログライクなトレーニング基準のより正確な統計的推定と勾配を求めることである。
  論文  参考訳（メタデータ） (2021-02-05T16:39:42Z)

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。