論文の概要: Inductively Scalable, Single-Step Neural Surrogates for Wave-Scattering Inverse Problems

• arxiv url: http://arxiv.org/abs/2608.17344v1
• Date: Tue, 18 Aug 2026 04:07:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 21:40:53.21529
• Title: Inductively Scalable, Single-Step Neural Surrogates for Wave-Scattering Inverse Problems
• Title（参考訳）: ウェーブ散乱逆問題に対するインダクティブ・スケーラブル・シングルステップニューラルサロゲート
• Abstract要約: ニューラルネットワークサロゲートは、従来の電磁波シミュレータに代わる新たな選択肢である。 この障壁は、トレーニング中に健全なトレーニング例を動的に生成することで克服できることを示す。 本研究では, 大規模フォワードシミュレーションにおけるサロゲートの実証と, 広帯域98波長のフリーフォームビームスプリッタとグラデックスレンズの逆設計について述べる。
• 参考スコア（独自算出の注目度）: 0.8164433158925593
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural network surrogates are an emerging alternative to traditional electromagnetic wave simulators like finite-difference time-domain (FDTD); their goal is to replace rigorous physical simulations with pre-trained neural networks that solve wave-scattering forward and inverse problems orders of magnitude faster. However, nonrecurrent, single-step surrogates have scaled only to a few tens of simulation variables. Here, we show that this barrier can be overcome by dynamically generating salient training examples during training, rather than randomly sampling the large space of possible examples. We introduce an algorithm that runs in parallel with surrogate training, using gradient ascent to search refractive-index and source configurations for cases where the surrogate disagrees with a full-wave ground-truth simulator. We also use source and ground-truth normalization with an evolving replay dataset to stabilize and accelerate learning. Using this approach, we train a fast, single-step surrogate for two-dimensional wave scattering with up to 41,772 controllable variables, including dense, freely configurable grids of refractive indices and complex-valued sources. The resulting neural surrogate is robustly accurate across diverse structured and unstructured examples and generalizes inductively to larger domains, reaching over 3 million controllable variables without retraining, a $73.8\times$ increase. We demonstrate the surrogate on large-scale forward simulations and inverse design of freeform beam splitters and gradient-index (GRIN) lenses up to 98 wavelengths wide, showing comparable or better performance than FDTD-based designs, with speedups from $1.29\times$ to $26.5\times$. These results demonstrate a practical path toward fast, robustly accurate, inductively scalable neural simulators for photonic inverse design and other wave-scattering inverse problems.
• Abstract（参考訳）: ニューラルネットワークサロゲートは、有限差分時間領域(FDTD)のような従来の電磁波シミュレータに代わる、新たな選択肢である。 しかし、非リカレントでシングルステップのサロゲートは、数個のシミュレーション変数にしかスケールしていない。 そこで本研究では,実例の広い空間をランダムにサンプリングするのではなく,トレーニング中に健全なトレーニング例を動的に生成することで,この障壁を克服できることを示す。 本研究では, サーロゲートがフルウェーブグラウンドトラスシミュレータと一致しない場合に対して, 勾配上昇を用いて屈折率とソース構成を探索するアルゴリズムを提案する。 また、学習の安定化と高速化のために、ソースとグランドトゥルース正規化と進化するリプレイデータセットも使用しています。 このアプローチを用いて、屈折率と複素数値源の高密度で自由構成可能な格子を含む、最大41,772個の制御可能な変数を持つ2次元波動散乱のための高速単一ステップサロゲートを訓練する。 結果として生じるニューラルサロゲートは、様々な構造的および非構造的サンプルに対して堅牢に正確であり、より大きなドメインに誘導的に一般化し、再トレーニングなしで300万以上の制御可能な変数に到達し、73.8\times$上昇する。 大規模フォワードシミュレーションと、フリーフォームビームスプリッタとGRINレンズの逆設計に関するサロゲートを、FDTDベースの設計と同等かそれ以上の性能を示し、スピードアップは1.29\times$から26.5\times$に向上した。 これらの結果は、フォトニック逆設計や他の波浪散乱逆問題に対する高速で、堅牢で、誘導性に富んだ拡張性のあるニューラルシミュレータへの実践的な道筋を示す。

関連論文リスト

• Taming Curvature: Architecture Warm-Up for Stable Transformer Training [52.6838951211596]
  本稿では,Hessian-vector製品を用いた暖かくスタートした変種に基づく最大(プレコンディション付き)Hessian固有値(曲率)の高速オンライン推定手法を提案する。 トレーニングの不安定性は、事前条件付き曲率の急激な上昇と一致し、曲率の深さが増加する。 大規模変圧器の実験により,本手法が効率的な曲率追跡を可能にし,不安定性を低減できることを確認した。
  論文  参考訳（メタデータ） (2026-06-15T14:16:56Z)
• A Decoupled Basis-Vector-Driven Generative Framework for Dynamic Multi-Objective Optimization [13.136405879524856]
  本稿では,動的多目的最適化のためのベースベクトル駆動型生成フレームワーク(DB-GEN)を提案する。 非線形結合、時代遅れの歴史的データからの負の転送、および環境スイッチ時のコールドスタート問題に対処する。 実験の結果、DB-GENは既存のアルゴリズムと比較して、様々な動的ベンチマークにおけるトラッキング精度を向上させることが示された。
  論文  参考訳（メタデータ） (2026-04-01T05:47:56Z)
• Ada3Drift: Adaptive Training-Time Drifting for One-Step 3D Visuomotor Robotic Manipulation [53.750389076941396]
  拡散に基づくビジュモータポリシーは反復的認知を通じて多モーダルな動作分布をキャプチャするが、その高い推論遅延はリアルタイムロボット制御を制限する。 Ada3Driftは,専門家のデモモードに対して予測された行動を引き付ける訓練時間ドリフト場を学習する。 Ada3Driftは、拡散ベースの代替よりも10倍の関数評価を必要としながら、最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-03-12T14:36:53Z)
• Advancing accelerator virtual beam diagnostics through latent evolution modeling: an integrated solution to forward, inverse, tuning, and UQ problems [46.568487965999225]
  我々は,高次元位相空間を低次元表現に投影するオートエンコーダと,潜時空間における時間ダイナミクスを学習するための変換器を備えたハイブリッド機械学習フレームワークであるLatent Evolution Model (LEM)を提案する。 テキストフォワードモデリングでは、CVAEは6次元位相空間の15のユニークな射影を潜在表現に符号化し、トランスフォーマーは上流からの入力から下流の潜在状態を予測する。 テキスト逆問題では、(a)下流観測から上流位相空間を予測すること、(b)潜時空間からRF設定を推定することの2つの異なる課題に対処する。
  論文  参考訳（メタデータ） (2026-02-26T04:46:26Z)
• Is Flow Matching Just Trajectory Replay for Sequential Data? [46.770624059457724]
  時系列生成には、フローマッチング(FM)がますます使われている。 一般的な力学構造を学ぶのか、それとも単に効果的な「軌道再生」を行うのかはよく分かっていない。 インプリッドサンプリングは、非パラメトリックなメモリ拡張型連続時間力学系を構成するODEであることを示す。
  論文  参考訳（メタデータ） (2026-02-09T06:48:45Z)
• Physics Enhanced Deep Surrogates for the Phonon Boltzmann Transport Equation [0.0]
  物理強化深部サロゲート(PEDS) ネットワークは、幾何学に依存した補正と、マクロとナノスケールの挙動を補間する混合係数を学ぶ。 PEDSは、純粋なデータ駆動ベースラインと比較して、トレーニングデータ要求を最大70%削減する。
  論文  参考訳（メタデータ） (2025-11-25T16:25:24Z)
• Sparse Model Inversion: Efficient Inversion of Vision Transformers for Data-Free Applications [99.72917069918485]
  既存の高密度インバージョン手法を高速化する新しいスパースモデルインバージョン戦略を提案する。 具体的には,雑音背景の逆転や潜在的な刺激的相関を抑えつつ,意味的前景を反転させる。
  論文  参考訳（メタデータ） (2025-10-31T05:14:36Z)
• VIKING: Deep variational inference with stochastic projections [48.946143517489496]
  変分平均場近似は、現代の過度にパラメータ化されたディープニューラルネットワークと競合する傾向がある。 パラメータ空間の2つの独立線型部分空間を考える単純な変分族を提案する。 これにより、オーバーパラメトリゼーションを反映した、完全に相関した近似後部を構築することができる。
  論文  参考訳（メタデータ） (2025-10-27T15:38:35Z)
• Learning from Scratch: Structurally-masked Transformer for Next Generation Lib-free Simulation [5.564681128355971]
  本稿では,多段階データパスのパワーとタイミング予測のためのニューラルネットワークフレームワークを提案する。 私たちの知る限りでは、これは標準セル用に明示的に設計された言語ベースのネットリスト対応ニューラルネットワークとしては初めてのものです。
  論文  参考訳（メタデータ） (2025-07-23T10:46:25Z)
• 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)
• Robust Representation Consistency Model via Contrastive Denoising [83.47584074390842]
  ランダムな平滑化は、敵の摂動に対する堅牢性を証明する理論的保証を提供する。 拡散モデルは、ノイズ摂動サンプルを浄化するためにランダムな平滑化に成功している。 我々は,画素空間における拡散軌跡に沿った生成的モデリングタスクを,潜在空間における識別的タスクとして再構成する。
  論文  参考訳（メタデータ） (2025-01-22T18:52:06Z)
• Unified, Verifiable Neural Simulators for Electromagnetic Wave Inverse Problems [1.6795461001108096]
  我々は、数千のDoF、波長、照明波面、およびフリーフォームの散乱シミュレーションに対処できる単一の統一モデルを示す。 本研究は,既存の散乱シミュレータにおいて,普遍的かつ精度の高いニューラルサロゲートへの道を示すものである。
  論文  参考訳（メタデータ） (2024-03-31T03:23:29Z)
• 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)
• Autoencoder-driven Spiral Representation Learning for Gravitational Wave Surrogate Modelling [47.081318079190595]
  オートエンコーダを用いた経験的係数における基礎構造の存在について検討する。 ニューラルネットワークの第一層として使用される学習可能なパラメータを持つスパイラルモジュールを設計し,入力空間を係数にマッピングする方法を学習する。 スパイラルモジュールは複数のニューラルネットワークアーキテクチャ上で評価され、ベースラインモデルよりも一貫して速度-精度のトレードオフを実現している。
  論文  参考訳（メタデータ） (2021-07-09T09:03:08Z)

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。