光学データセットの利用を改善するために、Tianda チームはスペクトル予測効果を強化する AI モデルを提案しました。

編集者 | Dead Leaf Butterfly

最近、天津大学レーザー・オプトエレクトロニクス研究所のウー・リャン准教授とヤオ・ジャンクアン学者のチーム、および自然言語処理研究所のシオン・デイ教授のチームは、深い報告を行った。ソリューションへの複数周波数補助入力を使用してスペクトル予測パフォーマンスを向上させる学習モデル。この方式では、複数周波数の入力データを使用することでスペクトル予測の精度を向上させることができます。さらに、このソリューションはスペクトル予測プロセスにおけるノイズ干渉も軽減できるため、予測効果が向上します。

このソリューションは、トレーニングコストを増やすことなく、既存の光学データセットの利用を改善し、メタサーフェス構造に対応するスペクトル応答の予測効果を高めることができます。

関連する研究結果は「多周波数補足入力を備えた深層学習モデルを使用したスペクトル予測の強化」と題され、2024年5月16日に「APL Machine Learning」に掲載されました。

論文リンク:https://doi.org/10.1063/5.0203931

研究の背景

近年、深層学習技術の急速な発展により、さまざまな分野に前例のない変化と革新がもたらされています。複数の分野の複雑で膨大なデータを処理するための効果的なツールとなっています。

ニューラルネットワークに基づく方法は、ターゲットデータの関連する特徴と潜在的なパターンを効果的に検出できますが、深層学習モデルがさまざまなフィールドやさまざまな形式からこれらの関連データを直接学習する場合、依然として一定の課題があります。 この問題を解決するには、特徴抽出技術を使用できます。特徴抽出技術を使用すると、生データを特定のタスクに適した表現に変換できます。周波数領域分析に基づく FFT、ウェーブレット変換に基づく WT など、さまざまな特徴抽出方法を使用できます。これらの技術を応用することで、異なる分野を組み合わせることが可能になります

近年、ディープラーニング技術を組み合わせた研究分野では、一般的に既存のデータセットのサイズが小さく、データセットの品質が低く、モデルの学習効果に影響を与えるという問題に直面しています。対象のタスク。

「科学のための AI」研究プロセス全体で、最もコストがかかるのは主にデータセットの構築です。したがって、既存のデータセットをより効果的に使用する方法が重要です。

天津大学チームは、ターゲットスペクトル予測プロセス中に既存のデータセットに補足的な多周波数入力情報を追加すると、ネットワークの予測精度が大幅に向上する可能性があることを研究を通じて証明しました。このアプローチは、深層学習やフォトニクス、複合材料設計、生物医学などの他の分野における学際的な研究と応用にデータセットを使用するための新しいアイデアを提供します。

研究のハイライト

この研究の革新的な点は、スペクトル情報を全周波数範囲で分割するというアイデアを提案することです。これは、実際の設計要件を組み合わせ、全周波数スペクトル情報を学習に分割することで明らかになります。動作周波数部分と非動作周波数部分に応じたタスク。

このソリューションの普遍性を実証するために、ターゲットの動作周波数帯域を低周波数情報 (0 ～ 1 THz) 部分と高周波数情報 (1 ～ 2 THz) 部分に細分化し、モデルの強化された効果を実証しました。学ぶ。

他の周波数情報を補完した後の使用周波数範囲データの直接予測と比較して、全体的な送信スペクトルデータの予測誤差は約 80% 減少しました。その中で、低周波情報を補完した後の Transformer ベースのモデルは、予測を行いました。直接予測の約 40% について、設計されたメタサーフェス構造とモデル アーキテクチャを図 1 に示します。

図 1 (a)-(b) メタサーフェス構造の概略図。茶色の部分は「1」ピクセル、黄色の部分は「0」ピクセルを表します。 (c) CNN、LSTM、GRU、および Transformer ネットワークの概略図。フォワード ネットワークでは、モデルの入力は 25*25 ピクセルのメタサーフェス マトリックスであり、出力は光学応答ですが、リバース ネットワークはその逆です。図中にマークされた「H」と「L」は、それぞれ高周波と低周波の関連する振幅と位相データを表します。

最適化後のさまざまな動作周波数での振幅および位相パラメータの予測効果をより直観的に表示するために、図 2 に示すように、CST Studio Suite ソフトウェアでのシミュレーション デモンストレーション用にいくつかのメタサーフェス構造がランダムに選択されます。 2 最適化された高周波データと低周波データの予測効果の概略図。 (a) ～ (f) 実際のデータ (紫の実線) と予測データ (黒の破線) を比較することにより、さまざまな周波数範囲における最適化されたネットワーク モデルのさまざまな予測パフォーマンスを示します。緑色の領域は補助入力として使用される周波数情報データを表し、黄色の領域は最適化された予測パフォーマンスを検証するために使用される領域を表します。ここで、a と b は、x 偏光状態の高周波振幅と低周波振幅の予測結果を表します。 (c)-(d) y 偏光状態の高周波振幅と低周波振幅の予測結果。 (e)～(f) 高周波位相と低周波位相の予測結果。

概要と展望

この研究は、さまざまな光学問題の学習タスクに対して対象を絞ったデータセットの分割を行うことで、既存のデータセットの利用効率を効果的に改善し、それによって深層学習モデルの学習効果を向上させます。

この最適化ソリューションは、既存の小規模な光学データセット (特にテラヘルツ帯の関連データセット) の問題を効果的に軽減し、複合材料設計、医療画像分析など、ディープラーニング技術と高価なデータを組み合わせたより多くの研究分野を提供します。 、財務データ予測などは、データセットを最適化するための新しい視点を提供します。

筆頭著者: Xing Xiaohua、Ren Yuqi 監修者: Wu Liang、Xiong Deyi、Yao Jianquan

論文協力者: Zou Die、Zhang Qiankun、Mao Bingxuan

謝辞: Zhang Shuang 教授 (香港大学)、Han Jiaguang 教授論文作成中に役に立ちます。関連する研究は、国家重点研究開発プログラムや国立自然科学財団などのプロジェクトによって支援されています。

特派員: 張乾坤史仙方

以上が光学データセットの利用を改善するために、Tianda チームはスペクトル予測効果を強化する AI モデルを提案しました。の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。