基于物理引导的机器学习的光谱数据反演问题
通过训练循环神经网络掌握算法构建,我们提出了基于学习的循环推理机(RIM)框架以实现超越领域特定知识的抽象,并在多个图像修复实验中取得了最先进的性能,包括图像去噪和超分辨率任务,并具有优良的跨任务泛化性能。
Jun, 2017
本文提出了一种基于机器学习的策略来预测分子红外光谱的方法,建立在从头分子动力学模拟的基础上,利用各种机器学习技术加速模拟并扩展可处理的系统大小,其中包括环境依赖性神经网络电荷的分子偶极矩模型和 Behler 和 Parrinello 的神经网络势能。通过引入完全自动化的采样方案和神经网络势能训练期间的分子力,我们能够仅基于少量的电子结构参考点来获得非常精确的机器学习模型,同时在甲醇分子,含有多达 200 个原子的正构烷和质子化的丙氨酸三肽的情况下,将其应用于模拟红外光谱,并发现与理论和实验光谱具有出色的一致性。
May, 2017
通过随机森林的可解释性,提出了一种单次逆设计方法 RIGID,用于快速生成具有所需功能行为的变形材料设计。该方法不需要训练映射关系的逆模型,而是通过马尔科夫链蒙特卡洛方法从训练的前向模型导出目标满足的设计解决方案的条件分布。在仅有少量数据的情况下,RIGID 在声学和光学变形材料设计问题上展示了其效率和有效性,并进一步验证了其似然估计的机制,突显在生成设计和消除大数据需求方面,可解释机器学习的潜力。
Dec, 2023
本文介绍了一种新的框架,基于少量实验数据、领域专业知识和现有图像数据集来训练变分推断,使贝叶斯机器学习模型可以在最小数据收集效果下解决成像反问题。经过广泛的模拟实验证明了该方法的优点,并在两个实验光学设置中应用:全息图像重建和通过高度散射介质成像。在两种设置中,都用很少的训练数据,达到了最先进的重建效果。
Apr, 2019
该研究提出了一种新方法来评估光学成像技术,该方法基于可逆神经网络的概念,将多光谱测量映射到全概率分布中以表示解的不确定性,可以帮助优化光学相机设计。
Mar, 2019
该研究通过机器学习得到一个可微的插值函数以优化 Raman 放大器的增益系数,并应用于前向泵浦 Raman 放大器中优化任意数量的泵浦频率和功率以及后向泵浦 Raman 放大器的效率。最终验证并优化了 250 千米未重复传输中的波长增益平坦度,实现了小于 1dB 的增益平坦度。
Jun, 2022
物理信息机器学习 (PIML) 逆问题算法主要包括 FWI 和神经网络,PIML 相较于传统方法具有避免局部最小值和局部训练优势,但对测试数据和训练数据相似性要求较高,可以通过预训练和微调策略来克服此限制。
Oct, 2023
本研究提出了一种基于元学习的方法来解决数据集分布变化和环境数据中假相关性的问题,并通过实验展示该方法在 Out-of-Distribution(OOD)泛化性能、稳定性和解决 IRMv1 的局限性方面具有显著改进。
Mar, 2021
本研究利用 Diffusion Reflectance Map Network (DRMNet) 方法,从单张图片中恢复出物体的反射频谱和全频谱的光照频谱,通过学习逆向图像形成的扩散模型,展现了在合成数据集上具有最先进准确度的同时,也能在真实图像上进行泛化。
Dec, 2023