論文の概要: DDSNet: Dual-domain Symmetry-aware Network for PCSEL Property Prediction
- arxiv url: http://arxiv.org/abs/2607.24785v1
- Date: Mon, 22 Jun 2026 10:03:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-02 22:55:39.064738
- Title: DDSNet: Dual-domain Symmetry-aware Network for PCSEL Property Prediction
- Title（参考訳）: DDSNet:PCSEL特性予測のためのデュアルドメイン対称性認識ネットワーク
- Abstract要約: フォトニック結晶(PhC)格子設計空間の効率的な探索は、フォトニック結晶表面発光レーザの開発に不可欠である。
結合波理論は有効な物理フレームワークを提供するが、その計算コストは大規模な探査では禁じられている。
本稿では,この問題に対処するためのDDSNet(Dual-Domain Symmetry-Aware Network)を提案する。
- 参考スコア（独自算出の注目度）: 10.464975767418467
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Efficient exploration of the photonic crystal (PhC) lattice design space is essential for developing photonic crystal surface-emitting lasers. While coupled-wave theory (CWT) provides an effective physical framework, its computational cost remains prohibitive for large-scale exploration, driving the demand for neural surrogates. However, existing AI models underexploit two key factors of PhC unit-cell dielectric patterns indicated by CWT: spectral components and asymmetric structures, which largely govern devices' physical properties. This mismatch weakens surrogate accuracy and screening reliability, especially in structure-sensitive regions. To address this, we propose the Dual-Domain Symmetry-Aware Network (DDSNet). It integrates translation-equivariant spectral filtering with a symmetry-induced structural prior. The spectral filtering injects a spectral inductive bias into vision model while preserving translation equivariance on lattices. Meanwhile, the structural prior decomposes lattice features into irreducible representation-associated, symmetry-resolved components and processes them in separate branches. Experiments demonstrate that DDSNet significantly outperforms existing AI baselines in property prediction and high-throughput screening, exhibiting superior reliability in structure-sensitive regions. Crucially, component masking analyses reveal that the network successfully learns property-specific dependencies aligned with physical priors. These results indicate that DDSNet effectively captures physically meaningful structure-property relationships, establishing a highly reliable neural surrogate for PhC design space exploration.
- Abstract（参考訳）: フォトニック結晶(PhC)格子設計空間の効率的な探索は、フォトニック結晶表面発光レーザの開発に不可欠である。
結合波理論(英語版)(CWT)は有効な物理フレームワークを提供するが、その計算コストは大規模な探索では禁じられ、ニューラルサロゲートの需要を推し進めている。
しかし、既存のAIモデルは、CWTによって示されるPhC単位セル誘電パターンの2つの重要な要素:スペクトル成分と非対称構造が明らかにされていない。
このミスマッチは、特に構造に敏感な領域において、サロゲート精度とスクリーニング信頼性を弱める。
そこで我々はDual-Domain Symmetry-Aware Network (DDSNet)を提案する。
変換同変スペクトルフィルタリングと対称性誘起構造前駆体を統合する。
スペクトルフィルタリングは、格子上の翻訳等価性を保ちながら、スペクトル誘導バイアスを視覚モデルに注入する。
一方、構造的事前は格子特徴を既約表現関連対称性分解成分に分解し、別々の分岐で処理する。
実験により、DDSNetは、プロパティ予測や高スループットスクリーニングにおいて既存のAIベースラインを著しく上回り、構造に敏感な領域において優れた信頼性を示すことが示された。
重要な点として、コンポーネントマスキング分析は、ネットワークが物理的事前に整合したプロパティ固有の依存関係をうまく学習していることを明らかにする。
これらの結果は、DDSNetが物理的に有意義な構造-プロパティ関係を効果的に捉え、PhC設計空間探索のための信頼性の高いニューラルネットワークサロゲートを確立することを示唆している。
関連論文リスト
- Generic Vision and Cross-Attention for Reaction Yield Prediction [0.8092815324198175]
物理有機データを2次元分子トポロジーで融合したビジョン・クロス・アテンションアーキテクチャを提案する。
汎用コンピュータビジョンのバックボーン処理は、単純な2次元骨格構造を独立に処理し、純粋に量子ベースラインを上回っている。
論文 参考訳（メタデータ） (2026-08-01T17:14:26Z) - Physics-Guided Dual-Stream Heterogeneous Graph Neural Network for Predicting Full-Field Structural Response of Stiffened Panels [0.0]
大規模で複雑な構造の反復的な設計と最適化には、応力、変位、その他の分野の高速かつ正確な予測が必要である。
既存のニューラルネットワークは、様々なトポロジや複雑な境界条件に悩まされることが多い。
本研究では,薄肉構造物のフルフィールド応力と変位予測のための新しいDualStream Heterogeneous Graph Neural Network (DS-HGNN)を提案する。
論文 参考訳（メタデータ） (2026-06-18T20:12:18Z) - SCENT: Aligning Mass Spectra with Molecular Structure for Olfactory Perception [48.96518000981492]
直接電子イオン化質量分析法(EI-MS)を嗅覚予測のための代替入力モードとして検討する。
我々は、EI-MS表現と予め訓練された化学構造埋め込みを整合させるマルチモーダルコントラスト学習フレームワークであるSpectrum-to-Chemical EmbeddingalignedmeNT(SCENT)を寄贈する。
マルチラベルの匂い記述子予測タスクでは、SCENTはMSのみのベースラインを著しく上回り、構造ベースモデルに匹敵する嗅覚性能を達成する。
論文 参考訳（メタデータ） (2026-05-26T13:28:57Z) - CNNs for Vis-NIR Chemometrics: From Contradiction to Conditional Design [0.0]
ケミメトリにおける近赤外(NIR)深層学習の研究は、畳み込みニューラルネットワーク(CNN)の設計に関して相互に矛盾した結論を報告している。
同じアーキテクチャは、ある研究において優位に立つことができ、別の研究では劣る可能性がある。
これらの矛盾は、不可能な方法の証拠ではなく、制御不能な変数の構造的に期待される結果であると主張する。
論文 参考訳（メタデータ） (2026-05-04T14:21:02Z) - Representative Spectral Correlation Network for Multi-source Remote Sensing Image Classification [44.20355634294824]
representative Spectral correlation Network (RSCNet) は、新しいマルチソース画像分類フレームワークである。
RSCNetはスペクトル選択と適応的相互作用を通じて課題に対処する。
3つの公開ベンチマークデータセットの実験では、RCCNetは最先端の手法と比較して優れたパフォーマンスを達成している。
論文 参考訳（メタデータ） (2026-04-30T02:10:38Z) - Multimodal Machine Learning for Integrating Heterogeneous Analytical Systems [0.6734447582308918]
エンド・ツー・エンドのキャラクタリゼーションのための異種解析システムを統合する機械学習フレームワークを提案する。
本稿では,SEM画像から形態記述子を抽出し,得られた曲率,向き,交叉密度,空隙形状について述べる。
レーダプロットとUMAPによる可視化により、結晶性や絡み合いに応じてCNTフィルムの鮮明なクラスタリングが明らかになった。
論文 参考訳（メタデータ） (2026-01-31T08:12:43Z) - Linearized Optimal Transport for Analysis of High-Dimensional Point-Cloud and Single-Cell Data [45.87606039212519]
シングルセル技術は、細胞の高次元点雲を生成する。
各患者は単純なベクトルではなく不規則な点雲で表される。
線形最適輸送フレームワークを用いて不規則点雲を固定次元ユークリッド空間に埋め込む。
論文 参考訳（メタデータ） (2025-10-24T21:33:12Z) - Beyond Structure: Invariant Crystal Property Prediction with Pseudo-Particle Ray Diffraction [23.89478649565297]
結晶特性予測は、従来の密度汎関数理論を用いて、大きな多体系に対して正確に解くことを計算的に禁止している。
グラフ表現の他に、独自の相互空間回折を利用するRDNetを導入する。
Materials Project、JARVIS-DFT、MatBenchで大規模な実験を行い、提案モデルが最先端の性能を達成することを実証した。
論文 参考訳（メタデータ） (2025-09-26T02:30:23Z) - AlphaFold Database Debiasing for Robust Inverse Folding [58.792020809180336]
Debiasing Structure AutoEncoder (DeSAE)を導入し、故意に破損したバックボーンジオメトリからネイティブライクなコンフォーメーションを再構築することを学ぶ。
推測において、DeSAEをAFDB構造に適用すると、逆折り畳み性能を著しく向上する偏りのある構造が生成される。
論文 参考訳（メタデータ） (2025-06-10T02:25:31Z) - Accurate, transferable, and verifiable machine-learned interatomic potentials for layered materials [0.0]
ツイストされた層状バンダーワールス材料は、しばしば、非ツイストの材料に欠如しているユニークな電子的および光学的特性を示す。
本稿では、層内相互作用と層間相互作用を分離する、マシン学習型原子間ポテンシャルとデータセットキュレーション手法を提案する。
本手法は,様々な層内相互作用モデルや層間相互作用モデルとシームレスに統合し,モワール材料の計算的緩和を可能にする。
論文 参考訳（メタデータ） (2025-03-19T17:14:02Z) - Learning Identifiable Structures Helps Avoid Bias in DNN-based Supervised Causal Learning [56.22841701016295]
Supervised Causal Learning (SCL)はこの分野で新興パラダイムである。
既存のディープニューラルネットワーク(DNN)ベースの手法では、"Node-Edgeアプローチ"が一般的である。
論文 参考訳（メタデータ） (2025-02-15T19:10:35Z) - Isomorphic Pruning for Vision Models [56.286064975443026]
構造化プルーニングは、冗長なサブ構造を取り除くことによって、ディープニューラルネットワークの計算オーバーヘッドを低減する。
Isomorphic Pruningは、ネットワークアーキテクチャの範囲で有効性を示すシンプルなアプローチである。
論文 参考訳（メタデータ） (2024-07-05T16:14:53Z)
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。