論文の概要: Equivariant Graph Neural Networks Improve Optical Spectra Prediction for Materials Screening

• arxiv url: http://arxiv.org/abs/2606.19133v1
• Date: Wed, 17 Jun 2026 14:44:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:51.209356
• Title: Equivariant Graph Neural Networks Improve Optical Spectra Prediction for Materials Screening
• Title（参考訳）: 等価なグラフニューラルネットワークによる材料スクリーニングのための光スペクトル予測の改善
• Authors: Kasper Helverskov Petersen, François R J Cornet, Martin Ovesen, Mikkel Jordahn, Kristian S. Thygesen, Mikkel N. Schmidt,
• Abstract要約: 光スペクトル予測のための同変グラフニューラルネットワークを提案する。 提案手法は,0-8eV範囲で最大ゲインを達成し,静的実誘電率の予測を行う。
• 参考スコア（独自算出の注目度）: 4.949069744183627
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Scalable prediction of optical spectra is a critical component of high-throughput materials screening for optoelectronic applications such as solar cells. Existing surrogate models are trained on spectra computed from lower levels of theory or rely on rotation-invariant scalar features, limiting their geometric expressiveness. We explore the use of equivariant graph neural networks for optical spectra prediction, adapting GotenNet to this task and evaluating it on multiple datasets including a recently published collection of 10,533 structures with spectra computed at the level of the random phase approximation (RPA). The proposed model outperforms the current state of the art, with the largest gains in the 0-8 eV range and on predicting the static real permittivity, both of particular relevance for thin-film optics.
• Abstract（参考訳）: 光スペクトルのスケーラブルな予測は、太陽電池などの光電子応用のための高出力材料スクリーニングの重要な構成要素である。 既存の代理モデルは、低レベルの理論から計算されたスペクトルに基づいて訓練されるか、回転不変のスカラー特徴に依存し、幾何学的表現性を制限する。 本稿では,光スペクトル予測における同変グラフニューラルネットワークの利用,GotenNetの適用,およびランダム位相近似(RPA)レベルで計算されたスペクトルを持つ10,533構造の集合を含む複数のデータセット上での評価について検討する。 提案したモデルは、0-8 eV範囲で最大のゲインと静電誘電率の予測において、現在の最先端技術よりも優れており、どちらも薄膜光の関連性が高い。

関連論文リスト

• Implicit Neural Representations: A Signal Processing Perspective [54.57279006229212]
  入射神経表現(INR)は、離散的なサンプルデータから連続的な機能的表現へと、信号モデリングの根本的な変化を示す。 本稿では、信号処理の観点からのINRの進化を考察し、スペクトル挙動、サンプリング理論、マルチスケール表現を強調する。 医療・レーダ画像の逆問題,圧縮,3次元シーン表現など,幅広い応用分野におけるINRの有用性を強調した。
  論文  参考訳（メタデータ） (2026-04-16T14:12:06Z)
• XANE(3): An E(3)-Equivariant Graph Neural Network for Accurate Prediction of XANES Spectra from Atomic Structures [5.177624503826816]
  XANE(3)は、原子構造から直接X線吸収近接端構造(XANES)を予測するための物理ベースのE(3)等変グラフニューラルネットワークである。 酸化鉄表面面の5,941FDMNESシミュレーションのデータセット上でモデルを評価し,テストセット上でのスペクトル平均2乗誤差を1.0×10-3$とした。
  論文  参考訳（メタデータ） (2026-04-13T23:42:14Z)
• Optimizing Spectral Prediction in MXene-Based Metasurfaces Through Multi-Channel Spectral Refinement and Savitzky-Golay Smoothing [2.9649783577150832]
  MXeneベースの太陽吸収器の電磁スペクトルの予測は計算集約的な課題であり、伝統的にフルウェーブ・ソルバを用いて処理される。 本研究では,移動学習,多チャンネルスペクトル改善,Savitzky-Golay平滑化を取り入れた効率的なディープラーニングフレームワークを提案する。 提案するフレームワークは従来の解法に代わるスケーラブルで効率的な代替手段であり、ナノフォトニクス設計における高速なスペクトル予測の候補として位置づけられている。
  論文  参考訳（メタデータ） (2026-02-09T09:09:32Z)
• Spectral Gating Networks [65.9496901693099]
  我々は、フィードフォワードネットワークに周波数リッチな表現性を導入するために、スペクトルゲーティングネットワーク(SGN)を導入する。 SGNは、標準活性化経路をコンパクトなスペクトル経路と学習可能なゲートで拡張し、安定したベース動作からモデルを開始することができる。 計算予算に匹敵する精度と効率のトレードオフを継続的に改善する。
  論文  参考訳（メタデータ） (2026-02-07T20:00:49Z)
• CARL: Camera-Agnostic Representation Learning for Spectral Image Analysis [69.02751635551724]
  スペクトルイメージングは、医療や都市景観の理解など、様々な領域で有望な応用を提供する。 スペクトルカメラのチャネル次元と捕獲波長のばらつきは、AI駆動方式の開発を妨げる。 本稿では,RGB,マルチスペクトル,ハイパースペクトル画像を用いたカメラ非依存表現学習モデルCARLを紹介する。
  論文  参考訳（メタデータ） (2025-04-27T13:06:40Z)
• Spectral-Adaptive Modulation Networks for Visual Perception [9.912286808419205]
  グラフスペクトル分析を用いて、2次元畳み込みと自己意図の周波数応答を理論的にシミュレートし比較する。 以上の結果から,ウィンドウサイズによって変調されたノード接続が,スペクトル関数形成の鍵となる要因であることが判明した。 SPAMに基づいて,新しいビジョンバックボーンとしてSPANetV2を開発した。
  論文  参考訳（メタデータ） (2025-03-31T10:53:42Z)
• Holistic Physics Solver: Learning PDEs in a Unified Spectral-Physical Space [54.13671100638092]
  Holistic Physics Mixer (HPM) は、スペクトルと物理情報を統一された空間に統合するためのフレームワークである。 我々はHPMが精度と計算効率の両面で最先端の手法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2024-10-15T08:19:39Z)
• Approaching Deep Learning through the Spectral Dynamics of Weights [41.948042468042374]
  重みのスペクトル力学 -- 最適化中の特異値とベクトルの振る舞い -- は、ディープラーニングにおけるいくつかの現象を明確にし、統一する。 ConvNetによる画像分類,UNetsによる画像生成,LSTMによる音声認識,Transformersによる言語モデリングなど,さまざまな実験における最適化における一貫したバイアスを同定する。
  論文  参考訳（メタデータ） (2024-08-21T17:48:01Z)
• Differentiable Programming for Hyperspectral Unmixing using a Physics-based Dispersion Model [9.96234892716562]
  本稿では、スペクトル変動を物理に基づくアプローチから考慮し、エンドツーエンドのスペクトルアンミックスアルゴリズムに組み込む。 畳み込みニューラルネットワークを用いた逆レンダリング技術を導入し、トレーニングデータが利用可能な場合のパフォーマンスと速度を向上させる。 結果は、赤外線と近赤外(VNIR)データセットの両方で最先端を達成する。
  論文  参考訳（メタデータ） (2020-07-12T14:16:35Z)

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。