論文の概要: Physics-informed neural networks for solving strong-field saddle-point equations in strong-field physics with tailored fields

• arxiv url: http://arxiv.org/abs/2603.15786v1
• Date: Mon, 16 Mar 2026 18:12:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-18 17:42:06.935633
• Title: Physics-informed neural networks for solving strong-field saddle-point equations in strong-field physics with tailored fields
• Title（参考訳）: 尾尾場を持つ強場物理学における強場サドル点方程式の解く物理インフォームニューラルネットワーク
• Authors: Jiakang Chen, Sufia Hashim, Carla Figueira de Morisson Faria,
• Abstract要約: 我々は、強磁場近似における直接的上閾値イオン化を規定するサドル点方程式を解くために、教師なし物理情報ニューラルネットワークを開発した。 我々は、PINNを、様々な分野の従来の解法と比較し、広いパラメータ範囲で支配的な複素イオン化時間の頑健な回復を実証する。 これらの結果から,半古典的強磁場計算のフレームワークとしてPINNを確立した。
• 参考スコア（独自算出の注目度）: 0.8520624117635327
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We develop an unsupervised physics-informed neural network to solve saddle-point equations governing direct above-threshold ionization within the strong-field approximation. This setting provides a well-understood testbed in which the saddle-point structure is known for tailored driving fields, enabling systematic validation of the proposed solver. In this approach, the network is trained by minimizing the residual of the SPEs and requires only the definition of the driving-field shape and its parameters, such as intensity, carrier-envelope phase, ellipticity, and relative phase. We introduce a window parametrization strategy that maps network outputs to prescribed regions of the complex-time plane, guiding the optimization toward physically relevant solutions and improving convergence stability. We benchmark the PINN against a conventional solver for a range of fields, demonstrating robust recovery of the dominant complex ionization times over wide parameter ranges. The network tracks changes in ionization event dominance as laser parameters are varied, enabling exploration of regimes where conventional solvers require repeated manual initialization. Using the PINN-derived solutions, we compute coherent ATI photoelectron momentum distributions and show the symmetries of the driving fields are reflected in both the saddle-point structure and the resulting spectra. These results establish PINNs as a promising framework for semiclassical strong-field calculations and provide a foundation for extending machine-learning solvers to Coulomb-corrected models or to more complex processes, such as rescattered ATI for which the SPEs are highly nonlinear and the presence of multiple closely-spaced solutions makes conventional Newton-type root-finding highly sensitive to initial guesses, which hinders systematic investigations across laser-parameter spaces, particularly for tailored fields.
• Abstract（参考訳）: 我々は、強磁場近似における直接的上閾値イオン化を規定するサドル点方程式を解くために、教師なし物理情報ニューラルネットワークを開発した。 この設定は、サドルポイント構造が調整された駆動場として知られているよく理解されたテストベッドを提供し、提案したソルバの体系的検証を可能にする。 このアプローチでは、SPEの残差を最小限に抑え、駆動場形状とそのパラメータ(強度、キャリア-エンベロープ位相、楕円性、相対位相)の定義しか必要としない。 複素時間平面の所定領域にネットワーク出力をマッピングし、物理的に関係のある解への最適化を導出し、収束安定性を向上させるウィンドウパラメトリゼーション戦略を導入する。 我々は、PINNを、様々な分野の従来の解法と比較し、広いパラメータ範囲で支配的な複素イオン化時間の頑健な回復を実証する。 このネットワークは、レーザーパラメータの変化によるイオン化イベントの優位性の変化を追跡し、従来の解法が繰り返し手動初期化を必要とするレジームの探索を可能にする。 PINN由来の解を用いて、コヒーレントなATI光電子運動量分布を計算し、駆動場の対称性がサドル点構造と結果のスペクトルの両方に反映されていることを示す。 これらの結果は、半古典的強磁場計算のための有望なフレームワークとしてPINNを確立し、SPEが高度に非線形であり、複数の密接な解が存在するため、従来のニュートン型ルートフィンディングは初期推定に非常に敏感であり、特にレーザーパラメータ空間における体系的な研究を妨げ、クーロン補正モデルやより複雑なプロセスに機械学習ソルバを拡張するための基盤を提供する。

関連論文リスト

• Advancing accelerator virtual beam diagnostics through latent evolution modeling: an integrated solution to forward, inverse, tuning, and UQ problems [46.568487965999225]
  我々は,高次元位相空間を低次元表現に投影するオートエンコーダと,潜時空間における時間ダイナミクスを学習するための変換器を備えたハイブリッド機械学習フレームワークであるLatent Evolution Model (LEM)を提案する。 テキストフォワードモデリングでは、CVAEは6次元位相空間の15のユニークな射影を潜在表現に符号化し、トランスフォーマーは上流からの入力から下流の潜在状態を予測する。 テキスト逆問題では、(a)下流観測から上流位相空間を予測すること、(b)潜時空間からRF設定を推定することの2つの異なる課題に対処する。
  論文  参考訳（メタデータ） (2026-02-26T04:46:26Z)
• BEACONS: Bounded-Error, Algebraically-Composable Neural Solvers for Partial Differential Equations [0.0]
  我々は,PDEのための公式検証ニューラルネットワークソルバを構築することにより,制限を回避することができることを示す。 浅部ニューラルネットワーク近似の最悪のLinf誤差に対して,厳密な外挿境界を構築することができるかを示す。 BEACONSと呼ばれるこのフレームワークは、ニューラルネットワーク自身のための自動コード証明と、機械チェック可能な正当性証明を生成するための見事な自動定理生成システムの両方を含む。
  論文  参考訳（メタデータ） (2026-02-16T15:49:19Z)
• Supervised Metric Regularization Through Alternating Optimization for Multi-Regime Physics-Informed Neural Networks [0.0]
  PINNは、分岐のような急激な状態遷移を持つ力学系をモデル化する際に、しばしば課題に直面している。 我々は,この課題を,Supervised Metric Regularizationによる潜在空間によって緩和することを目的としたTopology-Aware PINN(TAPINN)を提案する。 Duffingの予備実験では、標準ベースラインはスペクトルバイアスと高容量勾配ネットワークのオーバーフィットに悩まされているが、本手法は、マルチ出力ソボレフ誤差ベースラインよりも2.18倍低い分散と、ハイパーネットワークベースの代替よりも5倍少ないパラメータで安定した収束を実現する。
  論文  参考訳（メタデータ） (2026-02-10T17:06:57Z)
• ODELoRA: Training Low-Rank Adaptation by Solving Ordinary Differential Equations [54.886931928255564]
  低ランク適応(LoRA)は、深層移動学習においてパラメータ効率の高い微調整法として広く採用されている。 常微分方程式(ODE)の形でLoRA因子行列に対する新しい連続時間最適化ダイナミクスを提案する。 ODELoRAは,問題次元の異なるスケールのディープニューラルネットワークのトレーニングに不可欠な特性である,安定した特徴学習を実現する。
  論文  参考訳（メタデータ） (2026-02-07T10:19:36Z)
• Tunable Complexity Benchmarks for Evaluating Physics-Informed Neural Networks on Coupled Ordinary Differential Equations [64.78260098263489]
  本研究では,より複雑に結合した常微分方程式(ODE)を解く物理インフォームドニューラルネットワーク(PINN)の能力を評価する。 PINNの複雑性が増大するにつれて,これらのベンチマークに対する正しい解が得られないことが示される。 PINN損失のラプラシアンは,ネットワーク容量の不足,ODEの条件の低下,局所曲率の高さなど,いくつかの理由を明らかにした。
  論文  参考訳（メタデータ） (2022-10-14T15:01:32Z)
• Non-linear Independent Dual System (NIDS) for Discretization-independent Surrogate Modeling over Complex Geometries [0.0]
  非線形独立双対系(Non-linear independent dual system、NIDS)は、PDEソリューションの離散化独立で連続的な表現のための深層学習サロゲートモデルである。 NIDSは複雑な可変ジオメトリとメッシュトポロジを持つドメインの予測に使用できる。 テストケースには、複雑な幾何学とデータ不足を伴う車両の問題が含まれており、訓練方法によって実現されている。
  論文  参考訳（メタデータ） (2021-09-14T23:38:41Z)
• Optimal Transport Based Refinement of Physics-Informed Neural Networks [0.0]
  我々は、最適輸送(OT)の概念に基づく偏微分方程式(PDE)の解法として、よく知られた物理情報ニューラルネットワーク(PINN)の改良戦略を提案する。 PINNの解法は、完全接続された病理のスペクトルバイアス、不安定な勾配、収束と精度の難しさなど、多くの問題に悩まされている。 本稿では,既存の PINN フレームワークを補完する OT-based sample を用いて,Fokker-Planck-Kolmogorov Equation (FPKE) を解くための新しいトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2021-05-26T02:51:20Z)
• Learning to Beamform in Heterogeneous Massive MIMO Networks [48.62625893368218]
  大規模マルチインプット多重出力(MIMO)ネットワークにおいて最適なビームフォーマを見つけることはよく知られている問題である。 本稿では,この問題に対処するための新しい深層学習に基づく論文アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-11-08T12:48:06Z)
• Pushing the Envelope of Rotation Averaging for Visual SLAM [69.7375052440794]
  視覚SLAMシステムのための新しい最適化バックボーンを提案する。 従来の単分子SLAMシステムの精度, 効率, 堅牢性を向上させるために, 平均化を活用している。 我々のアプローチは、公開ベンチマークの最先端技術に対して、同等の精度で最大10倍高速に表示することができる。
  論文  参考訳（メタデータ） (2020-11-02T18:02:26Z)
• Provably Efficient Neural Estimation of Structural Equation Model: An Adversarial Approach [144.21892195917758]
  一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。 線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。 提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
  論文  参考訳（メタデータ） (2020-07-02T17:55:47Z)

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。