論文の概要: Hybrid deep learning-based phase diversity method for wavefront reconstruction
- arxiv url: http://arxiv.org/abs/2606.25855v1
- Date: Wed, 24 Jun 2026 14:03:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 17:05:30.354418
- Title: Hybrid deep learning-based phase diversity method for wavefront reconstruction
- Title（参考訳）: ハイブリッド深層学習に基づく波面再構成のための位相多様性法
- Authors: Y. Rodimkov, A. Kotov, K. Burdonov, S. Perevalov, V. Volokitin, I. Meyerov, A. Soloviev,
- Abstract要約: 本稿では,畳み込みニューラルネットワークを組み合わせたハイブリッド波面再構成手法を提案する。
数値シミュレーションでは、この手法は0から1.3$までの波面歪みの根平均2乗(RMS)の80%で$sim 0.99$の効率を達成した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The efficiency of high-power laser systems is limited by wavefront distortions in the beam, particularly non-common path aberrations, which reduce the peak intensity at the focal plane. Compensating for these aberrations requires the calibration of the adaptive optics system. Conventional calibration methods rely on a time-consuming iterative optimization that is highly sensitive to initial conditions. While deep learning-based models offer high speed, they often demonstrate insufficient accuracy. In this work, we present a hybrid wavefront reconstruction method that combines a convolutional neural network to generate an initial estimate of the wavefront distortions, with the L-BFGS (Limited-memory Broyden-Fletcher-Goldfarb-Shanno) algorithm for its subsequent refinement. In numerical simulations, the method achieved an efficiency of $\sim 0.99$ in 80% of the cases for a root-mean-square (RMS) of wavefront distortions ranging from 0 to $1.3λ$. In a physical experiment, for initial wavefront distortions with RMS values from 0.15 to $0.6λ$, the method achieved an efficiency of $\sim 0.75$. As a result, focusing with a Strehl ratio of $0.96 \pm 0.02$ was attained within 2 to 4 iterations of the algorithm, confirming the applicability of the method for the fast and accurate calibration of adaptive optics systems under real experimental conditions.
- Abstract（参考訳）: 高出力レーザーシステムの効率はビームの波面歪み、特に非共通経路収差によって制限され、焦点面のピーク強度が減少する。
これらの収差を補正するには、適応光学系の校正が必要である。
従来のキャリブレーション手法は、初期条件に非常に敏感な時間を要する反復最適化に依存している。
ディープラーニングベースのモデルは高速を提供するが、しばしば不十分な精度を示す。
本研究では,畳み込みニューラルネットワークとL-BFGS(Limited-Memory Broyden-Fletcher-Goldfarb-Shanno)アルゴリズムを併用して,波面歪みを推定するハイブリッド波面再構成手法を提案する。
数値シミュレーションでは、この手法は0から1.3λ$までの波面歪みの根平均2乗(RMS)の80%で$\sim 0.99$の効率を達成した。
物理実験では、RMS値が0.15から0.6λ$の初期の波面歪みに対して、この手法は$\sim 0.75$の効率を達成した。
その結果、Strehl比 0.96 \pm 0.02$ の焦点をアルゴリズムの2～4イテレーションで達成し、実際の実験条件下での適応光学系の高速かつ正確な校正法の適用性を確認した。
関連論文リスト
- Hyperparameter Transfer Enables Consistent Gains of Matrix-Preconditioned Optimizers Across Scales [55.91454326946738]
学習速度と減量率の最適化は,幅広い言語に対して,モデルの幅と深さでどのようにスケールするかを検討する。
我々は、$Pによる学習率のスケーリングは転送を改善するが、それでもかなりの有限幅偏差に悩まされる可能性があることを見出した。
計算-最適スケーリングでは、独立したウェイト崩壊が1/mathrmwidth$で言語間でほぼ最適であることが分かる。
論文 参考訳（メタデータ） (2025-12-05T11:03:41Z) - Breaking the Precision Ceiling in Physics-Informed Neural Networks: A Hybrid Fourier-Neural Architecture for Ultra-High Accuracy [0.0]
物理インフォームドニューラルネットワーク(PINN)は、4階偏微分方程式に対して10-3$-10-4$の誤差で高められている。
我々は従来の数値法よりも17倍のL2誤差を1.94倍10-7$で達成した。
論文 参考訳（メタデータ） (2025-07-28T15:41:51Z) - Determining Layer-wise Sparsity for Large Language Models Through a Theoretical Perspective [55.90119819642064]
本稿では,大規模言語モデル (LLM) の階層的疎度率を理論的観点から決定する上での課題に対処する。
これは、スペーサー化プロセス全体での再構成エラーの累積効果を指す。
この問題を緩和するレイヤワイド・スパシティ・アロケーションに対する、シンプルで効果的なアプローチを導出します。
論文 参考訳（メタデータ） (2025-02-20T17:51:10Z) - Few-Shot, Robust Calibration of Single Qubit Gates Using Bayesian Robust Phase Estimation [1.908202668475435]
量子ゲートにおける制御パラメータの正確な校正のためのロバスト位相推定(BRPE)を導入する。
BRPE は位相推定誤差を著しく低減し、標準 RPE よりも50ドルほど少ないサンプルを必要とする。
偏極ノイズモデルでは、176ドルの固定コストで最大47%の値下げを実現している。
論文 参考訳（メタデータ） (2024-07-25T18:52:16Z) - Optimal Low-Depth Quantum Signal-Processing Phase Estimation [0.029541734875307393]
絡み合いのような量子効果は、古典的な限界を超えた量子パラメータ推定の精度を大幅に向上させるのに使うことができる。
これらの課題に対して頑健な量子信号生成位相推定アルゴリズムを導入する。
超伝導2量子ビット実験において不要なスワップ角度を推定するための標準偏差精度は10～4ドルである。
論文 参考訳（メタデータ） (2024-06-17T10:33:52Z) - Direct Zernike Coefficient Prediction from Point Spread Functions and Extended Images using Deep Learning [36.136619420474766]
既存の適応光学系は、収差を補正し、画像を改善するために反復探索アルゴリズムに依存している。
本研究は、光収差を特徴付ける畳み込みニューラルネットワークの応用を実証する。
論文 参考訳（メタデータ） (2024-04-23T17:03:53Z) - Adaptive Federated Learning Over the Air [108.62635460744109]
オーバー・ザ・エア・モデル・トレーニングの枠組みの中で,適応勾配法,特にAdaGradとAdamの連合バージョンを提案する。
解析の結果,AdaGrad に基づくトレーニングアルゴリズムは $mathcalO(ln(T) / T 1 - frac1alpha の速度で定常点に収束することがわかった。
論文 参考訳（メタデータ） (2024-03-11T09:10:37Z) - A Deep Unrolling Model with Hybrid Optimization Structure for Hyperspectral Image Deconvolution [50.13564338607482]
本稿では,DeepMixと呼ばれるハイパースペクトルデコンボリューション問題に対する新しい最適化フレームワークを提案する。
これは3つの異なるモジュール、すなわちデータ一貫性モジュール、手作りの正規化器の効果を強制するモジュール、および装飾モジュールで構成されている。
本研究は,他のモジュールの協調作業によって達成される進歩を維持するために設計された,文脈を考慮した認知型モジュールを提案する。
論文 参考訳（メタデータ） (2023-06-10T08:25:16Z) - Optimal Algorithms for the Inhomogeneous Spiked Wigner Model [89.1371983413931]
不均一な問題に対する近似メッセージパッシングアルゴリズム(AMP)を導出する。
特に,情報理論の閾値よりも大きい信号と雑音の比を必要とする既知のアルゴリズムが,ランダムよりも優れた処理を行うための統計的・計算的ギャップの存在を同定する。
論文 参考訳（メタデータ） (2023-02-13T19:57:17Z) - Multipoint-BAX: A New Approach for Efficiently Tuning Particle
Accelerator Emittance via Virtual Objectives [47.52324722637079]
マルチポイントクエリにおけるブラックボックス最適化のための情報理論アルゴリズムであるMultipoint-BAXを提案する。
我々はマルチポイントBAXを用いてLinac Coherent Light Source(LCLS)とAdvanced Accelerator Experimental Tests II(FACET-II)の発光を最小化する。
論文 参考訳（メタデータ） (2022-09-10T04:01:23Z)
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。