論文の概要: Simulator-Refined Diffusion for Radio-Frequency Inverse Design

• arxiv url: http://arxiv.org/abs/2609.38363v1
• Date: Tue, 29 Sep 2026 18:26:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.573892
• Title: Simulator-Refined Diffusion for Radio-Frequency Inverse Design
• Title（参考訳）: 高周波逆設計のためのシミュレータ精細拡散
• Abstract要約: 一般的なアプローチは勾配に基づくガイダンスであり、これは拡散サンプリング過程を評価に使用する対象の勾配に偏りを与える。 本稿では, 拡散サンプリングプロセスにおいて, 低忠実度微分可能サロゲートと高忠実度非微分可能シミュレータの新たな組み合わせであるSimulator-Refined Diffusion (SRD)を提案する。
• 参考スコア（独自算出の注目度）: 16.562480161129244
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models have shown potential in inverse design of printed circuit boards (PCBs), enabling the generation of layouts conditioned on target S-parameters. Despite this promise, applying diffusion models to PCB layout generation remains challenging due to their difficulty in meeting the quantitative electromagnetic specifications. A common approach is gradient-based guidance, which biases the diffusion sampling process with the gradient of an objective used for evaluation. However, full-wave electromagnetic simulators are accurate but expensive and typically non-differentiable, whereas differentiable surrogates are informative but not always reliable. To address these limitations, this paper proposes Simulator-Refined Diffusion (SRD), a novel combination of a low-fidelity differentiable surrogate and a high-fidelity non-differentiable simulator within the diffusion sampling process. Unlike standard zeroth-order optimization, which requires a great number of random perturbations, our approach uses the surrogate's gradient to propose the perturbation direction while the simulator then searches based on this direction to identify an effective design update. Experimental results across different settings show that this method consistently outperforms current state-of-the-art methods, producing layouts whose simulated S-parameters match the target specifications up to 21.2% closer for in-distribution targets and up to 19.8% for out-of-distribution targets.
• Abstract（参考訳）: 拡散モデルはプリント基板(PCB)の逆設計の可能性を示し、ターゲットSパラメータに条件付けされたレイアウトの生成を可能にする。 この約束にもかかわらず、定量電磁仕様を満たすのが難しいため、PCBレイアウト生成に拡散モデルを適用することは依然として困難である。 一般的なアプローチは勾配に基づくガイダンスであり、これは拡散サンプリング過程を評価に使用する対象の勾配に偏りを与える。 しかし、フルウェーブ電磁シミュレータは正確だが高価であり、通常は微分不可能である。 これらの制約に対処するため,本研究では,拡散サンプリングプロセスにおいて,低忠実度微分可能サロゲートと高忠実度非微分可能シミュレータの新たな組み合わせであるSimulator-Refined Diffusion (SRD)を提案する。 多数のランダムな摂動を必要とする標準ゼロ階最適化とは異なり、本手法では、サロゲート勾配を用いて摂動方向を提案する一方、シミュレータはこの方向に基づいて探索を行い、効率的な設計更新を特定する。 異なる設定での実験結果から、この手法は現在の最先端手法を一貫して上回り、シミュレーションされたSパラメータが目標仕様にマッチするレイアウトを最大21.2%、分布外目標を最大19.8%生成することが示された。

関連論文リスト

• Kastor: An efficient fine-tuning strategy for generative emulation of PDE simulations [14.561544063927228]
  本稿では,決定論的物理基礎モデルを高効率かつ高精度な生成サロゲートに適応するための包括的方法論を提案する。 まず,大規模な因果的自己回帰モデルと非因果的時間的超解像ネットワークを組み合わせた2段階推論手法を提案する。 第2に,Nullノイズ条件下での定性分布平均を予測するために生成モデルを制約する新たな学習目標である平均予測正則化(MPR)を提案する。
  論文  参考訳（メタデータ） (2026-08-06T14:41:11Z)
• Stochastic Transition-Map Distillation for Fast Probabilistic Inference [14.377745343756485]
  拡散モデルは、強力な世代品質、多様性、分布範囲を達成するが、その性能には高価な推論が伴うことが多い。 本研究では,拡散モデル推論を高速化する教師レスフレームワークであるTransition-Map Distillation (STMD)を提案する。
  論文  参考訳（メタデータ） (2026-05-08T12:31:44Z)
• Function-Space Decoupled Diffusion for Forward and Inverse Modeling in Carbon Capture and Storage [65.51149575007149]
  本稿では,Fun-DDPSについて述べる。Fun-DDPSは,関数空間拡散モデルと微分可能なニューラル演算子サロゲートを結合した生成フレームワークである。 Fun-DDPSは、ジョイントステートベースラインで観察される高周波アーティファクトから、物理的に一貫した実現をもたらす。
  論文  参考訳（メタデータ） (2026-02-12T18:58:12Z)
• Robust Inference-Time Steering of Protein Diffusion Models via Embedding Optimization [6.097829741846035]
  EmbedOptは、条件埋め込み空間における実験可能性の最適化のために、拡散モデルを操るための推論時アプローチである。 EmbedOptは地図適合タスクにおいて座標に基づく後続サンプリング法よりも優れており、距離制約タスクのパフォーマンスと一致していることを示す。
  論文  参考訳（メタデータ） (2026-02-05T04:13:33Z)
• Training-Free Distribution Adaptation for Diffusion Models via Maximum Mean Discrepancy Guidance [17.353524034156205]
  MMD Guidanceは、生成したサンプルと参照データセットの間の最大平均離散度(MMD)の勾配で逆拡散プロセスを強化する。 当社のフレームワークは,製品カーネルによる条件付き生成モデルにおけるアクシデント対応に自然に拡張する。 合成および実世界のベンチマーク実験により、MDD Guidanceはサンプルの忠実さを保ちながら分布アライメントを達成できることが示されている。
  論文  参考訳（メタデータ） (2026-01-13T09:42:57Z)
• Categorical Reparameterization with Denoising Diffusion models [33.643089978457155]
  カテゴリー分布の拡散に基づくソフトリパラメータ化を提案する。 実験の結果,提案手法は様々なベンチマーク上での競合性や最適化性能の向上をもたらすことがわかった。
  論文  参考訳（メタデータ） (2026-01-02T18:30:05Z)
• Unsupervised Discovery of Interpretable Directions in h-space of Pre-trained Diffusion Models [63.1637853118899]
  本稿では,事前学習した拡散モデルのh空間における解釈可能な方向を特定するための,教師なしおよび学習に基づく最初の手法を提案する。 我々は、事前訓練された拡散モデルのh-スペースで動作するシフト制御モジュールを用いて、サンプルをシフトしたバージョンに操作する。 それらを共同で最適化することで、モデルは自然に絡み合った、解釈可能な方向を発見する。
  論文  参考訳（メタデータ） (2023-10-15T18:44:30Z)
• Protein Design with Guided Discrete Diffusion [67.06148688398677]
  タンパク質設計における一般的なアプローチは、生成モデルと条件付きサンプリングのための識別モデルを組み合わせることである。 離散拡散モデルのためのガイダンス手法であるdiffusioN Optimized Smpling (NOS)を提案する。 NOSは、構造に基づく手法の重要な制限を回避し、シーケンス空間で直接設計を行うことができる。
  論文  参考訳（メタデータ） (2023-05-31T16:31:24Z)
• Diffusion-GAN: Training GANs with Diffusion [135.24433011977874]
  GAN(Generative Adversarial Network)は、安定してトレーニングすることが難しい。 フォワード拡散チェーンを利用してインスタンスノイズを生成する新しいGANフレームワークであるDiffusion-GANを提案する。 我々は,Diffusion-GANにより,最先端のGANよりも高い安定性とデータ効率で,よりリアルな画像を生成することができることを示す。
  論文  参考訳（メタデータ） (2022-06-05T20:45:01Z)

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。