論文の概要: Learning Design Skills as Memory Policies for Agentic Photonic Inverse Design

• arxiv url: http://arxiv.org/abs/2605.29421v1
• Date: Thu, 28 May 2026 06:14:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:55.84567
• Title: Learning Design Skills as Memory Policies for Agentic Photonic Inverse Design
• Title（参考訳）: エージェントフォトニック逆設計のためのメモリポリシとしてのデザインスキルの学習
• Authors: Shengchao Chen, Ting Shu, Sufen Ren,
• Abstract要約: 高価な電磁シミュレーションにおいてフォトニック結晶繊維(PCF)の逆設計は困難である。 本研究では,物理誘導型メモリスキルバンク,強化学習型スキル選択,シミュレータ構築型スキル進化を組み合わせたクローズドループエージェントフレームワークであるSkillPCFを提案する。 実験により,SkillPCFは実用的なシミュレーション予算の下でより設計品質と効率のトレードオフを実現することが示された。
• 参考スコア（独自算出の注目度）: 7.436429318051601
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Photonic crystal fiber (PCF) inverse design remains challenging because candidate geometries must satisfy coupled optical targets under expensive electromagnetic simulation. Existing pipelines improve surrogate prediction or one-shot parameter recommendation, but they do not accumulate reusable design knowledge across iterative trials. We formulate PCF inverse design as a memory-policy learning problem and propose SkillPCF, a closed-loop agent framework that combines a physics-guided memory skill bank, reinforcement-learned skill selection, and simulator-grounded skill evolution. We further construct a real-world dataset with 479 expert interaction traces (2,507 spans) and 553 memory-dependent evaluation queries covering dispersion engineering, loss optimization, and multi-objective design. Experiments across multiple LLM backbones and classical baselines show that SkillPCF achieves stronger design-quality and efficiency trade-offs under practical simulation budgets, demonstrating the effectiveness of our proposed memory-skill learning paradigm for physics-aware PCF inverse design.
• Abstract（参考訳）: 光結晶ファイバー(PCF)の逆設計は、高価な電磁シミュレーションの下では、候補ジオメトリーが結合した光学目標を満たす必要があるため、依然として困難である。 既存のパイプラインはサロゲート予測やワンショットパラメータレコメンデーションを改善するが、反復的トライアルを通じて再利用可能な設計知識を蓄積しない。 我々は,PCF逆設計をメモリポリシー学習問題として定式化し,物理誘導型メモリスキルバンク,強化学習型スキル選択,シミュレータ基底型スキル進化を組み合わせたクローズドループエージェントフレームワークであるSkillPCFを提案する。 さらに,479のエキスパートインタラクショントレース(2,507スパン)と,分散工学,損失最適化,多目的設計を含む553のメモリ依存評価クエリを備えた実世界のデータセットを構築した。 複数のLCMバックボーンと古典的ベースラインにまたがる実験により、SkillPCFは実用的なシミュレーション予算の下で設計品質と効率のトレードオフを強く達成し、物理を意識したPCF逆設計におけるメモリスキル学習パラダイムの有効性を実証した。

関連論文リスト

• Deep Unfolding: Recent Developments, Theory, and Design Guidelines [99.63555420898554]
  この記事では、最適化アルゴリズムを構造化されたトレーニング可能なMLアーキテクチャに変換するフレームワークであるDeep Unfoldingのチュートリアルスタイルの概要を提供する。 推論と学習のための最適化の基礎を概観し、深層展開のための4つの代表的な設計パラダイムを導入し、その反復的な性質から生じる特有なトレーニングスキームについて議論する。
  論文  参考訳（メタデータ） (2025-12-03T13:16:35Z)
• Inverse Design in Nanophotonics via Representation Learning [0.0]
  ナノフォトの逆設計は、標的電磁応答(EM)の鍵となるツールとなっている。 機械学習(ML)が出現し、これらのボトルネックに効果的に対処している。 このレビューでは、レンズ表現学習を通じてMLを2つのカテゴリ(出力側と入力側)に分類する。
  論文  参考訳（メタデータ） (2025-07-01T08:10:05Z)
• Machine-Learning-Assisted Photonic Device Development: A Multiscale Approach from Theory to Characterization [80.82828320306464]
  フォトニックデバイス開発(PDD)は、様々な波長、スケール、アプリケーションにまたがる光を制御する新しいデバイスの設計と実装において大きな成功を収めた。 PDDは、設計パラメータからデバイス動作を導出する、デバイス性能をシミュレーションする、最適なデバイスを製造する、デバイス性能を測定する、という5段階の反復的プロセスである。 PDDは、大規模な最適化の展望、構造的または光学的特徴の不確実性、堅牢な製造プロセスの実装の困難に悩まされている。 本稿では,機械学習支援型PDDの実現に向けて,これらの手法の総合的な展望を示す。
  論文  参考訳（メタデータ） (2025-06-24T23:32:54Z)
• Efficient Aircraft Design Optimization Using Multi-Fidelity Models and Multi-fidelity Physics Informed Neural Networks [0.0]
  本研究では,サロゲートモデル,リダクションオーダーモデル(ROM),マルチファイダリティ機械学習技術など,高度な手法について検討する。 概念実証タスクを通じて、低忠実度シミュレーションから高忠実度結果を予測する能力を示す。
  論文  参考訳（メタデータ） (2024-12-24T17:36:27Z)
• Cliqueformer: Model-Based Optimization with Structured Transformers [102.55764949282906]
  大規模なニューラルネットワークは予測タスクに優れるが、タンパク質工学や材料発見といった設計問題への応用には、オフラインモデルベース最適化(MBO)の問題を解決する必要がある。 機能的グラフィカルモデル(FGM)を用いてブラックボックス関数の構造を学習するトランスフォーマーベースのアーキテクチャであるCliqueformerを提案する。 化学および遺伝子設計タスクを含む様々な領域において、Cliqueformerは既存の方法よりも優れた性能を示している。
  論文  参考訳（メタデータ） (2024-10-17T00:35:47Z)
• Inverse Design of Photonic Crystal Surface Emitting Lasers is a Sequence Modeling Problem [14.4481736034135]
  フォトニック結晶表面発光レーザー(PCSEL)の逆設計は、物理学、材料科学、量子力学の専門知識を必要とする。 高度なAI技術、特に強化学習(RL)は、この逆設計プロセスを強化し加速するための強力なツールとして登場した。 本稿では,PCSEL の逆設計をシーケンスモデリング問題として抽象化する PCSEL Inverse Design Transformer (PiT) という新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-08T08:38:50Z)
• Compositional Generative Inverse Design [69.22782875567547]
  入力変数を設計して目的関数を最適化する逆設計は重要な問題である。 拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。 N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
  論文  参考訳（メタデータ） (2024-01-24T01:33:39Z)
• Machine Learning Framework for Quantum Sampling of Highly-Constrained, Continuous Optimization Problems [101.18253437732933]
  本研究では,連続空間の逆設計問題を,制約のないバイナリ最適化問題にマッピングする,汎用的な機械学習ベースのフレームワークを開発する。 本研究では, 熱発光トポロジを熱光応用に最適化し, (ii) 高効率ビームステアリングのための拡散メタグレーティングを行うことにより, 2つの逆設計問題に対するフレームワークの性能を示す。
  論文  参考訳（メタデータ） (2021-05-06T02:22:23Z)
• Exploring Sensitivity of ICF Outputs to Design Parameters in Experiments Using Machine Learning [0.021987601456703473]
  慣性閉じ込め核融合(ICF)における持続可能な燃焼プラットフォームの構築には、重要な設計変更が衝撃性能にもたらす物理的プロセスと影響を理解する必要がある。 本稿では、機械学習(ML)の発達と、MLの特徴重要度/感度分析の手法を活用し、専門家の判断だけでは処理が難しい方法で複雑な関係を識別する。 RFモデルは、ICF実験データを高精度に学習し、予測できることを示すとともに、様々なICF設計構成のための様々な制御可能な設計インプットの物理的意義についての洞察を提供する特徴的重要度指標を抽出する。
  論文  参考訳（メタデータ） (2020-10-08T20:54:23Z)

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。