Fugu-MT 論文翻訳(概要): Neural Adjoint Method for Meta-optics: Accelerating Volumetric Inverse Design via Fourier Neural Operators

論文の概要: Neural Adjoint Method for Meta-optics: Accelerating Volumetric Inverse Design via Fourier Neural Operators

arxiv url: http://arxiv.org/abs/2604.17425v1
Date: Sun, 19 Apr 2026 13:10:13 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-21 21:52:52.520403
Title: Neural Adjoint Method for Meta-optics: Accelerating Volumetric Inverse Design via Fourier Neural Operators
Title（参考訳）: メタ光学用ニューラルアジョイント法:フーリエニューラル演算子による体積逆設計の高速化
Authors: Chanik Kang, Hyewon Suk, Haejun Chung,
Abstract要約: 酸化誘電率の体積から3次元の随伴勾配場を予測する。勾配に基づく更新を駆動する密度の高いボクセル単位の感度場を学習することにより、解の解法を高速な予測で置き換えることができる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Meta-optics promises compact, high-performance imaging and color routing. However, designing high-performance structures is a high-dimensional optimization problem: mapping a desired optical output back to a physical 3D structure requires solving computationally expensive Maxwell's equations iteratively. Even with adjoint optimization, broadband design can require thousands of Maxwell solves, making industrial-scale optimization slow and costly. To overcome this challenge, we propose the Neural Adjoint Method, a solver-supervised surrogate that predicts 3D adjoint gradient fields from a voxelized permittivity volume using a Fourier Neural Operator (FNO). By learning the dense, per-voxel sensitivity field that drives gradient-based updates, our method can replace per-iteration adjoint solves with fast predictions, greatly reducing the computational cost of full-wave simulations required during iterative refinement. To better preserve sensitivity peaks, we introduce a stage-wise FNO that progressively refines residual errors with increasing emphasis on higher-frequency components. We curate a meta-optics dataset from paired forward/adjoint FDTD simulations and evaluate it across three tasks: spectral sorting (color routers), achromatic focusing (metalenses), and waveguide mode conversion. Our method reduces design time from hours to seconds. These results suggest a practical route toward fast, large-scale volumetric meta-optical design enabled by AI-accelerated scientific computing.
Abstract（参考訳）: メタ光学はコンパクトで高性能なイメージングとカラールーティングを約束する。所望の光学出力を物理3D構造にマッピングするには、計算コストのかかるマクスウェル方程式を反復的に解く必要がある。隣接最適化であっても、ブロードバンド設計には何千ものマックスウェルの解決が必要であり、工業規模の最適化は遅くてコストがかかる。この課題を克服するために、フーリエニューラル演算子(FNO)を用いたボキセル化誘電率体積から3次元随伴勾配場を予測する解法であるニューラル共役法(Neural Adjoint Method)を提案する。勾配に基づく更新を駆動する密度の高いボクセル単位の感度場を学習することにより,解の解法を高速な予測で置き換えることができ,反復的精錬に要するフルウェーブシミュレーションの計算コストを大幅に削減できる。感度ピークをよりよく保存するために、高周波数成分に重点を置いた残差を徐々に改善するステージワイズFNOを導入する。 FDTDシミュレーションからメタ光学データセットをキュレートし、スペクトルソート(カラールータ)、アクロマティックフォーカス(メタセンス)、導波路モード変換の3つのタスクで評価する。我々の手法は設計時間を数時間から秒に短縮する。これらの結果は,AIを加速した科学計算によって実現された,高速で大規模な量子メタ光学設計への実践的な道のりを示唆している。

関連論文リスト

Diff3R: Feed-forward 3D Gaussian Splatting with Uncertainty-aware Differentiable Optimization [76.38917994186733]
Diff3Rはフィードフォワード予測とテストタイム最適化をブリッジする新しいフレームワークである。フィードフォワード3DGSアーキテクチャにシームレスに統合でき、ポーズギヴン法とポーズフリー法の両方に対応できることを示す。
論文参考訳（メタデータ） (2026-04-01T15:40:20Z)
The Adaptive Vekua Cascade: A Differentiable Spectral-Analytic Solver for Physics-Informed Representation [0.0]
適応型ニューラルネットワークは、連続体界を表現する強力なツールとして登場した。スペクトルバイアスと次元の呪いの2つの基本的な病理に直面する。本稿では,関数近似から解析的デカップリングを学習するハイブリッドアーキテクチャを提案する。
論文参考訳（メタデータ） (2025-12-12T18:41:35Z)
Pseudo Depth Meets Gaussian: A Feed-forward RGB SLAM Baseline [64.42938561167402]
本稿では,3次元ガウス型SLAMとフィードフォワードリカレント予測モジュールを組み合わせたオンライン3次元再構成手法を提案する。このアプローチは、遅いテスト時間の最適化を高速なネットワーク推論に置き換え、トラッキング速度を大幅に改善する。提案手法は,最先端のSplaTAMと同等の性能を示しながら,追跡時間を90%以上削減する。
論文参考訳（メタデータ） (2025-08-06T16:16:58Z)
ODE$_t$(ODE$_l$): Shortcutting the Time and Length in Diffusion and Flow Models for Faster Sampling [33.87434194582367]
本研究では,品質・複雑さのトレードオフを動的に制御できる相補的な方向について検討する。我々は,フローマッチングトレーニング中に時間と長さの整合性項を用い,任意の時間ステップでサンプリングを行うことができる。従来の技術と比較すると、CelebA-HQとImageNetのイメージ生成実験は、最も効率的なサンプリングモードで最大3$times$のレイテンシの低下を示している。
論文参考訳（メタデータ） (2025-06-26T18:59:59Z)
Ambient Noise Full Waveform Inversion with Neural Operators [11.44207799108199]
近年の研究では、ニューラル演算子と呼ばれる新しい機械学習モデルが、従来の方法よりもはるかに高速にエラストダイナミック波動方程式のオーダーを解くことができることが示されている。本研究では, 実地震データセット上での完全な波形インバージョンに対するニューラル演算子の最初の応用を実証する。
論文参考訳（メタデータ） (2025-03-19T09:10:43Z)
FNIN: A Fourier Neural Operator-based Numerical Integration Network for Surface-form-gradients [31.570033378168574]
SfG ( Surface-from-gradients) は、3次元の3次元表面を勾配から復元することを目的としている。従来の手法では、高精度な入力と高解像度な入力を扱うという課題に直面している。本稿では,2段階最適化フレームワーク内でFNIN(Fourier Neural operator-based Numerical Integration Network)を提案する。
論文参考訳（メタデータ） (2025-01-21T04:11:04Z)
Physics-guided Full Waveform Inversion using Encoder-Solver Convolutional Neural Networks [7.56372030029358]
フルウェーブフォーム・インバージョン(Full Waveform Inversion, FWI)は、与えられた領域における波動速度分布を推定する逆問題である。我々は畳み込みニューラルネットワークに基づくエンコーダ-ソルバ事前条件の学習プロセスを開発する。高周波データを用いた2次元物理モデルを用いてFWI問題の解法を実証する。
論文参考訳（メタデータ） (2024-05-27T23:03:21Z)
Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
論文参考訳（メタデータ） (2023-09-01T16:59:21Z)
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)
Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。この研究は、単一変換による周波数領域学習のための青写真を導入している。
論文参考訳（メタデータ） (2022-11-26T01:56:05Z)
Truncated tensor Schatten p-norm based approach for spatiotemporal traffic data imputation with complicated missing patterns [77.34726150561087]
本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
論文参考訳（メタデータ） (2022-05-19T08:37:56Z)

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。