論文の概要: Physics-Augmented Graph Transformers for Patch-Antenna Forward and Inverse Design

• arxiv url: http://arxiv.org/abs/2610.05004v1
• Date: Sun, 04 Oct 2026 06:57:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-11 07:08:21.343317
• Title: Physics-Augmented Graph Transformers for Patch-Antenna Forward and Inverse Design
• Title（参考訳）: Patch-Antennaフォワードと逆設計のための物理強化グラフ変換器
• Abstract要約: 本稿では,不規則な表面メッシュ上での信号再構成として放射パターン予測を扱う物理拡張グラフ学習フレームワークを提案する。 前方問題として、GPSグラフトランスフォーマーは、補助ノードレベルの目的であるPhysical-Augmented Intermediate Supervision (PAIS)を用いて訓練される。 逆設計では、代理フィルタ拡散が最寄りのMSEに対して32%の相対的MSEを上回ります。
• 参考スコア（独自算出の注目度）: 41.99844472131922
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Full-wave electromagnetic (EM) simulation enables accurate patch-antenna analysis but is computationally expensive for large-scale forward prediction and inverse design. We present a mesh-native, physics-augmented graph-learning framework that treats radiation-pattern prediction as signal reconstruction on an irregular surface mesh. For the forward problem, a GPS graph transformer is trained with Physics-Augmented Intermediate Supervision (PAIS), an auxiliary node-level objective that predicts complex surface currents, the physical intermediate linking geometry to radiation. PAIS improves multiple GNN backbones at no inference-time cost, while shuffled-current and non-physical controls show the gain comes from physical correspondence. Direction-conditioned decoding and a differentiable radiation-integral consistency loss further exploit this structure. On an 80,000-sample CST benchmark, GPS+PAIS reaches MSE 0.17 / PSNR 19.67, generalizes to a PCA split, and transfers zero-shot to canonical patches. For inverse design, surrogate-filtered diffusion beats nearest-neighbor retrieval by 32% relative MSE.
• Abstract（参考訳）: フルウェーブ電磁(EM)シミュレーションはパッチアンテナの正確な解析を可能にするが、大規模前方予測や逆設計には計算コストがかかる。 本稿では,不規則な表面メッシュ上での信号再構成として放射パターン予測を扱う,メッシュネイティブな物理拡張グラフ学習フレームワークを提案する。 前方問題に対して、GPSグラフトランスフォーマーは、複雑な表面電流、物理中間リンク幾何と放射を予測する補助ノードレベルの目標である、物理拡張中間スーパービジョン(PAIS)を用いて訓練される。 PAISは推論時コストなしで複数のGNNバックボーンを改善し、シャッフル電流と非物理的制御は物理的対応による利得を示している。 方向条件付き復号と微分可能な放射積分整合損失は、この構造をさらに活用する。 80,000サンプルのCSTベンチマークでは、GPS+PAISはMSE 0.17 / PSNR 19.67に到達し、PCAスプリットに一般化し、ゼロショットを標準パッチに転送する。 逆設計では、代理フィルタ拡散が最寄りのMSEに対して32%の相対的MSEを上回ります。

関連論文リスト

• Multi-Modal Conditioned High-Resolution Transformer for Urban Electromagnetic Field Map Prediction Download PDF [3.3172899945646965]
  都市環境における電磁界強度の予測はセルネットワーク計画に不可欠である。 建築レイアウト画像とアンテナ構成から500のEMFマップを生成する多条件高密度予測フレームワークを提案する。 我々の最良のモデルは、0.0461のMAE、プレーンなUNetベースラインに対する25.2%の改善、HRFormerのみのベースラインに対する31.8%を達成しています。
  論文  参考訳（メタデータ） (2026-06-26T03:06:23Z)
• 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)
• Posterior Augmented Flow Matching [64.1559809786948]
  後拡張フローマッチング(PAFM)はフローマッチング(FM)の一般化である PAFMは、異なるモデルスケールで最大3.4FID50KでFMよりも改善されていることを示す。
  論文  参考訳（メタデータ） (2026-05-01T17:59:59Z)
• IMPA-Net: Meteorology-Aware Multi-Scale Attention and Dynamic Loss for Extreme Convective Radar Nowcasting [2.405586180193259]
  気象レーダー観測による対流降雨の短距離予測は、厳しい気象警報に不可欠である。 本稿では, 入力, アーキテクチャ, 損失関数レベルにおいて, 気象インフォームド設計による制限に対処する決定論的0-2時間放送フレームワークIMPA-Netを提案する。
  論文  参考訳（メタデータ） (2026-04-27T09:30:07Z)
• Graph Neural ODE Digital Twins for Control-Oriented Reactor Thermal-Hydraulic Forecasting Under Partial Observability [6.370970195988317]
  高度原子炉のリアルタイム監視制御には、プラント全体の熱水和状態の正確な予測が必要である。 物理インフォームドメッセージパス型微分ニューラルネットワークとニューラル正規方程式(GNN-ODE)を提案する。 GNN-ODEサロゲートはシステムダイナミクス予測に満足な結果が得られる。
  論文  参考訳（メタデータ） (2026-04-08T16:58:14Z)
• FluenceFormer: Transformer-Driven Multi-Beam Fluence Map Regression for Radiotherapy Planning [4.066732323672965]
  textbfFluenceFormerは、直接的かつ幾何学的に認識されるフレンス回帰のための、バックボーンに依存しないトランスフォーマーフレームワークである。 Swin UNETRを使用したFluenceFormerは、評価されたモデルの中で最強のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-12-27T01:12:15Z)
• Point Cloud Denoising With Fine-Granularity Dynamic Graph Convolutional Networks [58.050130177241186]
  ノイズの摂動は、しばしば3次元の点雲を破損させ、表面の再構成、レンダリング、さらなる処理といった下流のタスクを妨げる。 本稿では,GDGCNと呼ばれる粒度動的グラフ畳み込みネットワークについて紹介する。
  論文  参考訳（メタデータ） (2024-11-21T14:19:32Z)
• PhysFormer++: Facial Video-based Physiological Measurement with SlowFast Temporal Difference Transformer [76.40106756572644]
  最近のディープラーニングアプローチは、時間的受容の限られた畳み込みニューラルネットワークを用いた微妙な手がかりのマイニングに重点を置いている。 本稿では,PhysFormerとPhys++++をベースとした2つのエンドツーエンドビデオ変換器を提案する。 4つのベンチマークデータセットで総合的な実験を行い、時間内テストとクロスデータセットテストの両方において優れた性能を示す。
  論文  参考訳（メタデータ） (2023-02-07T15:56:03Z)
• PhysFormer: Facial Video-based Physiological Measurement with Temporal Difference Transformer [55.936527926778695]
  近年のディープラーニングアプローチは、時間的受容の限られた畳み込みニューラルネットワークを用いた微妙なrの手がかりのマイニングに重点を置いている。 本稿では,エンドツーエンドのビデオトランスをベースとしたアーキテクチャであるPhysFormerを提案する。
  論文  参考訳（メタデータ） (2021-11-23T18:57:11Z)
• Multiscale Spatio-Temporal Graph Neural Networks for 3D Skeleton-Based Motion Prediction [92.16318571149553]
  本稿では,次世代の3次元骨格型人間のポーズを予測するため,マルチスケール・テンポラルグラフニューラルネットワーク(MST-GNN)を提案する。 MST-GNNは、短期および長期の動作予測において最先端の手法より優れている。
  論文  参考訳（メタデータ） (2021-08-25T14:05:37Z)

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。