論文の概要: Contrast-Source-Based Physics-Driven Neural Network for Inverse Scattering Problems

• arxiv url: http://arxiv.org/abs/2601.19243v1
• Date: Tue, 27 Jan 2026 06:27:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-28 15:26:51.199921
• Title: Contrast-Source-Based Physics-Driven Neural Network for Inverse Scattering Problems
• Title（参考訳）: 逆散乱問題に対するコントラスト源型物理駆動ニューラルネットワーク
• Authors: Yutong Du, Zicheng Liu,
• Abstract要約: 本稿では,逆散乱問題に対するコントラストソースに基づく物理駆動ニューラルネットワーク(CSPDNN)を提案する。 CSPDNNは、誘導電流分布を予測して効率を向上し、ロバストな再構築のために適応的な総変分損失を組み込む。 改良された撮像性能は、総合的な数値シミュレーションと実験データによって検証される。
• 参考スコア（独自算出の注目度）: 11.311936472660333
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep neural networks (DNNs) have recently been applied to inverse scattering problems (ISPs) due to their strong nonlinear mapping capabilities. However, supervised DNN solvers require large-scale datasets, which limits their generalization in practical applications. Untrained neural networks (UNNs) address this issue by updating weights from measured electric fields and prior physical knowledge, but existing UNN solvers suffer from long inference time. To overcome these limitations, this paper proposes a contrast-source-based physics-driven neural network (CSPDNN), which predicts the induced current distribution to improve efficiency and incorporates an adaptive total variation loss for robust reconstruction under varying contrast and noise conditions. The improved imaging performance is validated through comprehensive numerical simulations and experimental data.
• Abstract（参考訳）: ディープニューラルネットワーク(DNN)は、その強い非線形マッピング能力のため、最近、逆散乱問題(ISP)に応用されている。 しかし、教師付きDNNソルバは大規模なデータセットを必要とするため、実用的な応用では一般化が制限される。 トレーニングされていないニューラルネットワーク(UNN)は、測定された電場と以前の物理的知識から重みを更新することでこの問題に対処するが、既存のUNNソルバは長い推論時間に悩まされている。 これらの制約を克服するために、コントラストベース物理駆動ニューラルネットワーク(CSPDNN)を提案する。これは、誘導電流分布を予測して効率を向上し、コントラストと雑音条件の異なる頑健な再構成のための適応的総変分損失を組み込む。 改良された撮像性能は、総合的な数値シミュレーションと実験データによって検証される。

関連論文リスト

• Improved Physics-Driven Neural Network to Solve Inverse Scattering Problems [11.456980278006574]
  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。
  論文  参考訳（メタデータ） (2025-12-10T05:41:09Z)
• 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)
• 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)
• 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)
• Physics-Informed Neural Networks for Time-Domain Simulations: Accuracy, Computational Cost, and Flexibility [0.0]
  物理インフォームドニューラルネットワーク(PINN)は,非線形力学系の計算を劇的に高速化するための,有望なソリューションである。 本研究では,負荷変動に対する動的応答に着目し,これらの手法の適用性について検討する。 そこで本研究では,損失関数に勾配に基づく項を導入することにより,ニューラルネットワーク(NN)トレーニングの新たな正規化を提案する。
  論文  参考訳（メタデータ） (2023-03-15T23:53:32Z)
• 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)
• LocalDrop: A Hybrid Regularization for Deep Neural Networks [98.30782118441158]
  本稿では,ローカルラデマチャー複雑性を用いたニューラルネットワークの正規化のための新しい手法であるLocalDropを提案する。 フルコネクテッドネットワーク(FCN)と畳み込みニューラルネットワーク(CNN)の両方のための新しい正規化機能は、ローカルラデマチャー複雑さの上限提案に基づいて開発されました。
  論文  参考訳（メタデータ） (2021-03-01T03:10:11Z)
• Rectified Linear Postsynaptic Potential Function for Backpropagation in Deep Spiking Neural Networks [55.0627904986664]
  スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。 本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
  論文  参考訳（メタデータ） (2020-03-26T11:13:07Z)
• Beyond Dropout: Feature Map Distortion to Regularize Deep Neural Networks [107.77595511218429]
  本稿では,ディープニューラルネットワークの中間層に関連する実験的なRademacher複雑性について検討する。 上記の問題に対処するための特徴歪み法(Disout)を提案する。 より高い試験性能を有するディープニューラルネットワークを作製するための特徴写像歪みの優位性を解析し、実証した。
  論文  参考訳（メタデータ） (2020-02-23T13:59:13Z)

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。