Sep, 2023

基于模型的深度学习技术用于高维周期结构

PDF
TL;DR该论文提出了一个深度学习替代模型，用于快速模拟高维频率选择性表面。通过引入物理洞察力到模型中，它可以在使用缩小数据集进行训练后，准确预测某种结构的 S 参数。该模型非常多功能，可用于任何类型的频率选择性表面，无论是基于任意几何形状的孔洞还是贴片。通过数值示例，展示了基于矩形孔洞屏幕组成的频率选择性表面的预测性能与全波模拟器的结果之间的优秀一致性。
deep learningsurrogate modelfrequency selective surfacess-parametersfull-wave simulator
发现论文，激发创造
  • 深度光谱网格：用图神经网络进行多频面部网格处理

    基于频谱网格的表示学习方法应用于虚拟世界中的参数化模型，提供了在不同频率级别上独立编辑变形的能力，并通过不同的表示方式改进了生成网格的几何和感知质量。

    Feb, 2024

  • 高维随机偏微分方程深度神经网络代理

    利用深度学习方法解决高维随机偏微分方程的问题。通过使用全连接深度残差网络来逼近随机偏微分方程，在确定逼近深度神经网络的参数时，采用了 SGD 的变种，并在扩散和热传导问题上得到了验证。

    Jun, 2018

  • 利用小型模型的多维深层结构状态空间方法进行语音增强

    本文提出了一种多维结构化状态空间（S4）方法来增强语音，将多维的 S4 层进行白化变换以更好地捕捉跨频率轴的频谱依赖性，探索了几种基于 S4 的 T 和 TF 深层结构，其中，在 TF 领域中，与基于卷积层的传统 U 型模型相比，所提出的 S4 模型尺寸缩小了 78.6％，但在数据增强的情况下仍然达到了竞争性结果，具有较好的 PESQ 分数。

    Jun, 2023

  • 一种高效的数值波传播模型在端到端深度学习的增强下

    本研究论文提出了一种融合数值求解器和深度学习组件的端到端框架，通过对神经网络架构、数据生成算法和 Parareal 算法的改进，无需牺牲速度，显著提高了性能。结果表明，时域动态和 Parareal 迭代在准确传播波动方面具有重要作用。

    Feb, 2024

  • 功能梯度多孔梁的 AI 增强有限元多尺度建模与结构不确定性分析

    本文旨在通过多尺度建模和深度学习相结合的方法，建立中等孔隙度密闭铝泡沫的细胞形态与泡沫有效杨氏模量之间的直接联系，并通过模糊等价模型来评估模型预测模量的不确定性，进而简化 FG 多层泡沫结构的评估。

    Nov, 2022

  • 基于查询算子网络的振动声频响应预测

    预测振动板的频率响应，提出了一种新的频率查询运算模型，并在振动板基准测试中对其进行评估。

    Oct, 2023

  • 基于分层矩阵的多尺度神经网络

    引入一种基于 H 矩阵结构的新多尺度人工神经网络，可将其推广到非线性情况，并且能够高效逼近非线性薛定谔方程和 Kohn-Sham 密度泛函理论等离散非线性映射。

    Jul, 2018

  • 高效数据驱动深度学习优化的光子结构：纳米鳍片和环形凹槽相位掩模应用

    利用元表面技术对薄膜光学进行光学特性的灵活操控，本研究提出了一种替代优化框架来开发适用于天文高对比度成像的两种旋涡相位面具，其中的几何特征通过计算智能技术进行优化。为解决传统方法的不足，引入一种数据高效的进化优化设置，利用深度神经网络作为高度精确和高效的替代模型，使用健壮的粒子群进化优化方案操作光子器件的几何参数进行优化，通过该方法，优化了两种设计方案的性能，有效地将所需的模拟次数与传统优化技术相比减少了 75%。

    Sep, 2023

  • 利用大规模在线学习训练深度代理模型

    该论文提出了一个开源在线培训框架，用于快速解决偏微分方程组，可以提高深度代理模型的数据多样性，对于 Fully connected neural networks、Fourier Neural Operator (FNO) 和 Message Passing PDE Solver 的预测准确度分别提高了 68％、16％和 7％。

    Jun, 2023

  • 利用隐式神经表示捕获动态相关性

    本文介绍了基于人工智能的框架和神经网络相结合的研究，通过在实验数据上回收未知参数，自动检测和完善多维散射数据中的先进有序量子体系的模型。

    Apr, 2023