Differentiable Gaussianization Layers for Inverse Problems Regularized by Deep Generative Models
ExxonMobil Technology & Engineering Company(埃克森美孚技术与工程公司)
针对深度生成模型在反演中潜在张量偏离高斯分布导致低保真度的问题,提出可微数据相关层进行重新参数化和高斯化,在MRI等任务上实现最先进性能。
2024-07-29 cs.CV cs.LG
How Good Are Deep Generative Models for Solving Inverse Problems?
Simon Fraser University(西蒙弗雷泽大学)
本研究评估了扩散、GAN和IMLE三类深度生成模型在16倍超分辨率、着色和图像解压缩三个逆问题上的解有效性与不确定性估计可靠性,发现基于IMLE的CHIMLE方法表现最佳。
2023-12-20 cs.CV cs.LG
A General Framework Combining Generative Adversarial Networks and Mixture Density Networks for Inverse Modeling in Microstructural Materials Design
Northwestern University(西北大学)
微结构材料设计是反模型在材料科学中最重要的应用之一。一般来说,在科学应用中有两种广泛的建模范式:正向和反向。虽然正演建模基于已知参数来估计观测,但是逆演建模尝试在给定观测的情况下推断参数。反问题在科学应用中通常更关键,也更困难,因为它们试图探索无法直接观察到的参数。反问题广泛应用于各种科学领域,如物理学,医疗保健和材料科学。然而,求解反问题是具有挑战性的,因为它们通常需要学习一个一对多的非线性映射,并且还需要大量的计算时间,特别是对于高维参数空间。此外,当输入(即观察)的维度远低于输出(即参数)的维度时,逆问题变得更加难以解决。在这项工作中,我们提出了一个由生成对抗网络和混合密度网络组成的逆向建模框架,并在材料科学数据集上进行了评估,用于微结构材料设计。与基线方法相比,结果表明,所提出的框架可以克服上述挑战,并以有效的方式产生多个有前途的解决方案。
2021-01-26 cs.LG
Regularized Training of Intermediate Layers for Generative Models for Inverse Problems
Khoury College of Computer Sciences, Northeastern University(东北大学库理计算机学院);Department of Mathematics, Northeastern University(东北大学数学系)
生成对抗网络(GANs)在解决逆问题时已被证明是强大而灵活的先验。使用它们的一个挑战是克服表示误差,这是网络表示任何特定信号的基本限制。最近,多个提出的反演算法通过优化中间层表示来减少表示误差。这些方法通常应用于生成模型,该生成模型被训练为与下游反演算法无关。在我们的工作中,我们引入了一个原则,即如果生成模型旨在使用基于中间层优化的算法进行反演,则应该以正则化这些中间层的方式进行训练。我们实例化这一原则的两个显着的最近的反演算法:中间层优化和多码GAN之前。对于这两种反演算法,我们引入了一种新的正则化GAN训练算法,并证明了在解决压缩感知,修复和超分辨率问题时,学习的生成模型在很宽的采样率范围内具有较低的重建误差。
2022-03-08 cs.CV cs.LG eess.IV
Inverse Materials Design by Large Language Model-Assisted Generative Framework
School of Software Engineering, South China University of Technology(华南理工大学软件工程学院);The University of Hong Kong(香港大学);City University of Hong Kong(香港城市大学);DP Technology(DP科技);Institute of Physics, Chinese Academy of Sciences(中国科学院物理研究所);AI for Science Institute, Beijing(北京科学智能研究院)
提出AlloyGAN闭环框架,融合大语言模型文本挖掘与条件生成对抗网络,增强数据多样性,实现逆向材料设计,在金属玻璃预测中误差小于8%。
2025-02-25 cond-mat.mtrl-sci cs.LG
VAE for Modified 1-Hot Generative Materials Modeling, A Step Towards Inverse Material Design
Stanford University(斯坦福大学)
本文提出一种VAE模型,通过在潜在空间中保持材料可分解为数据集中其他材料的隐式关系,生成具有合成可行性的新材料,以支持基于深度强化学习的序列化逆向材料设计。
2023-12-25 cond-mat.mtrl-sci cs.LG
Design Target Achievement Index: A Differentiable Metric to Enhance Deep Generative Models in Multi-Objective Inverse Design
Massachusetts Institute of Technology(麻省理工学院)
深度生成机器学习模型在设计界越来越受欢迎,这要归功于它们学习和模拟复杂数据分布的能力。虽然早期的工作是有希望的,进一步的进步将取决于解决几个关键的考虑因素,如设计质量,可行性,新颖性和有针对性的逆向设计。我们提出了设计目标实现指数(DTAI),一个可区分的,可调的指标,得分设计的能力,实现设计师指定的最低性能目标。我们证明了DTAI在直接用作深度生成模型中的训练损失时可以大大提高生成设计的性能。我们将DTAI损失应用于性能增强的多样性GAN(PaD GAN),并与一组基线深度生成模型(包括多目标PaD GAN和专用表格生成算法,如条件表格GAN(CT GAN))相比,表现出卓越的生成性能。我们进一步增强PaDGAN与辅助可行性分类器,以鼓励可行的设计。为了评估方法,我们提出了一套全面的评估指标的生成方法,专注于可行性,多样性和满意度的设计性能目标。方法进行测试的一个具有挑战性的基准问题:FRAMED自行车车架设计数据集具有混合数据类型的参数数据,严重偏斜和多模态分布,和十个竞争的性能目标。
2022-05-06 cs.LG
Solution of Physics-based Bayesian Inverse Problems with Deep Generative Priors
University of Southern California(南加州大学);Stanford University(斯坦福大学)
逆问题在自然界中无处不在,几乎出现在所有科学和工程领域,从地球物理学和气候科学到天体物理学和生物力学。解决反问题的核心挑战之一是解决其不适定性。贝叶斯推断提供了一个原则性的方法来克服这一点,制定了一个统计框架的逆问题。然而,它是具有挑战性的应用时,推断具有离散表示的大尺寸(所谓的“灾难的维度”)和/或当先验信息仅在先前获得的解决方案的形式可用的字段。在这项工作中,我们提出了一种新的方法,使用深度生成模型进行高效准确的贝叶斯反演。具体来说,我们演示了如何使用生成对抗网络(GAN)学习的近似分布作为贝叶斯更新的先验,并在GAN的低维潜在空间中重新制定由此产生的推理问题,从而有效地解决大规模贝叶斯逆问题。我们的统计框架保留了基础物理,并被证明可以产生准确的结果,具有可靠的不确定性估计,即使在缺乏有关基础噪声模型的信息的情况下,这对许多现有方法来说是一个重大挑战。我们证明了所提出的方法对各种反问题,其中包括合成以及实验观察到的数据的有效性。
2022-07-25 cs.LG stat.ML
Bayesian Inverse Problems with Conditional Sinkhorn Generative Adversarial Networks in Least Volume Latent Spaces
University of Maryland(马里兰大学);General Electric Vernova Advanced Research(通用电气维诺瓦先进研究院)
本文提出一种基于最小体积降维的潜条件Sinkhorn生成对抗网络框架,用于高效训练并解决高维非线性贝叶斯逆问题,在ODE参数反演和地下水流高维水力传导率反演中验证了其有效性。
2024-05-22 cs.LG
OCL-PDE: A Generative Framework for PDE Inverse Problems with Observation-Complementary Latents
The Hong Kong University of Science and Technology(香港科技大学);University of Michigan(密歇根大学);HKUST Shenzhen-Hong Kong Collaborative Innovation Research Institute(香港科技大学深圳-香港协同创新研究院)
针对PDE逆问题的不适定性,提出OCL-PDE生成框架,利用观测互补潜变量结合观测重建未知场,基于物理感知AE和条件流匹配,提升重建精度与细节恢复。
2026-10-06 cs.LG
Tunable Latent Generative Priors for Compressed Sensing and Inverse Problems
Northeastern University(东北大学);Harvard University(哈佛大学);Technical University of Munich(慕尼黑技术大学);UC Santa Cruz(加州大学圣克鲁兹分校)
本文提出可调复杂度生成模型,用于提升压缩感知等反问题的重建性能,并通过理论分析和实验验证其有效性。
2026-09-14 cs.AI cs.LG
Generative networks as inverse problems with Scattering transforms
École normale supérieure(巴黎高等师范学院);Collège de France(法兰西公学院);PSL Research University(PSL研究大学);Paris, France(75005巴黎,法国)
生成对抗网络(GANs)和变分自动编码器(VAE)从高斯白噪声中生成令人印象深刻的图像,但底层数学还没有得到很好的理解。我们通过反转固定嵌入算子来计算深度卷积网络生成器。因此,它们不需要使用解码器或编码器进行优化。嵌入是Lipschitz连续的变形,使发电机转换输入白噪声向量之间的线性插值到输出图像之间的变形。这种嵌入是用小波散射变换计算的。数值实验表明,所得的散射发生器具有与GANs或VAE相似的特性,而无需学习判别网络或编码器。
2018-05-17 cs.AI cs.LG stat.ML
GenPANIS: A Latent-Variable Generative Framework for Forward and Inverse PDE Problems in Multiphase Media
Technical University of Munich, Professorship of Data-driven Materials Modeling, School of Engineering and Design(慕尼黑技术大学,数据驱动材料建模教授职位,工程与设计学院);Munich Data Science Institute (MDSI - Core member)(慕尼黑数据科学研究所(MDSI—核心成员))
GenPANIS通过统一生成框架实现多相介质正反PDE问题的高效求解,保留离散微结构并支持梯度推断,适用于复杂外推场景。
2026-02-16 cs.LG stat.ML
Generative Modeling and Inverse Imaging of Cardiac Transmembrane Potential
Rochester Institute of Technology(罗切斯特理工学院);Dalhouse University(达尔豪斯大学)
从体表心电图(ECG)无创重建心脏跨膜电位(TMP)涉及不适定逆问题。模型约束正则化是强大的,将丰富的生理知识的时空TMP动态。这些模型是由高维物理参数控制的,如果固定的话,可能会引入模型误差并降低TMP重建的精度。然而,由于这些参数的高维性,在TMP重建期间同时适应这些参数是困难的。我们引入了一种新的模型约束推理框架,该框架用经过训练的深度生成模型取代了传统的生理模型,以从低维生成因子生成TMP序列。使用具有长短期记忆(LSTM)网络的变分自动编码器(VAE),我们训练VAE解码器来学习TMP的条件似然,而编码器学习生成因子的先验分布。这两个组件使我们能够开发一种有效的算法,同时推断生成因子和TMP信号从ECG数据。仿真实验和真实数据实验表明,与传统生理模型约束或无生理约束的方法相比,该方法显著提高了TMP重建的精度。
2019-05-12 cs.LG eess.IV eess.SP
Friction on Demand: A Generative Framework for the Inverse Design of Metainterfaces
École centrale de Lyon LTDS, UMR 5513(Lyon中央理工学院LTDS,UMR 5513);Univ. Gustave Eiffel, Inria COSYS-SII, I4S Rennes, France(Gustave Eiffel大学,Inria COSYS-SII,I4S Rennes,法国)
本文提出基于变分自编码器的生成式框架,从目标摩擦定律逆向设计表面形貌,在2亿样本上训练实现免仿真的高效候选生成,并分析准确性、吞吐量与多样性的权衡。
2025-10-27 cs.LG cs.SY eess.SY
A Connection between Generative Adversarial Networks, Inverse Reinforcement Learning, and Energy-Based Models
University of California, Berkeley(加州大学伯克利分校)
生成对抗网络(GANs)是最近提出的一类生成模型,其中生成器被训练以优化由神经网络同时学习的成本函数。虽然学习成本函数的想法对于生成建模领域来说是相对较新的,但学习成本在控制和强化学习(RL)领域已经研究了很长时间,通常用于从演示中进行模仿学习。在这些领域中,基于观察到的行为的学习成本函数被称为逆强化学习(IRL)或逆最优控制。虽然一开始RL中的成本学习和生成建模中的成本学习之间的联系可能看起来很肤浅,但我们在本文中表明,某些IRL方法实际上在数学上等同于GANs。特别是,我们证明了一个基于样本的最大熵IRL算法和GAN,其中发电机的密度可以进行评估,并提供作为一个额外的输入到ESTA之间的等价性。有趣的是,最大熵IRL是基于能量的模型的一个特例。我们讨论了将GANs解释为训练基于能量的模型的算法,并将这种解释与最近试图连接GANs和EBM的其他工作联系起来。通过正式强调GANs、IRL和EBM之间的联系,我们希望这三个领域的研究人员能够更好地识别和应用从一个领域到另一个领域的可转移思想,特别是开发更稳定和可扩展的算法:这是这三个领域的主要挑战。
2016-11-25 cs.AI cs.LG
A Generative Diffusion Model to Solve Inverse Problems for Robust in-NICU Neonatal MRI
The University of Texas at Austin(德克萨斯大学奥斯汀分校);MD Anderson Cancer Center(MD安德森癌症中心);Aspect Imaging, Ltd(Aspect Imaging有限公司)
本研究针对NICU内低场强新生儿MRI扫描时间长、运动伪影多、训练数据少且信噪比低的问题,提出首个采集无关扩散生成模型,作为图像先验无需重训练即可解决加速重建等逆问题。
2025-05-21 cs.LG eess.IV physics.med-ph
Generative Inverse Design with Abstention via Diagonal Flow Matching
Institute of Mathematics, TU Berlin(柏林技术大学数学研究所)
本文提出Diagonal Flow Matching方法,通过零锚定策略解决反向设计中坐标排列和缩放敏感问题,提升反向设计精度,并引入两个不确定性度量以实现候选选择、可靠预测退避和分布外检测。
2026-07-07 cs.LG
Learning to Optimize via Wasserstein Deep Inverse Optimal Control
Georgia Institute of Technology(佐治亚理工学院)
我们研究社会科学中的逆最优控制问题:我们的目标是从观察到的时间行为中学习用户的真实成本函数。与传统的现象学工作,旨在学习一个生成模型,以适应行为数据,我们提出了一种新的变分原理和对待用户作为一个强化学习算法,其作用是通过优化他的成本函数。我们首先提出了一个统一的KL框架,推广现有的最大熵逆最优控制方法。我们进一步提出了一个两步Wasserstein逆最优控制框架。在第一步中,我们用一个新的质量输运方程计算最佳测量。在第二步中,我们将学习问题表述为生成对抗网络。在两个现实世界的实验-推荐系统和社交网络,我们表明,我们的框架获得显着的性能增益现有的逆最优控制方法和点过程为基础的生成模型。
2018-05-22 cs.LG stat.ML
Generative Joint Source-Channel Coding for Semantic Image Transmission
Imperial College London(帝国理工学院);Huawei Technologies Co., Ltd.(华为技术有限公司)
最近的工作表明,使用深度神经网络(DNN)的联合信源信道编码(JSCC)方案(称为DeepJSCC)在无线图像传输中提供了有希望的结果。然而,这些方法主要集中在相对于输入图像的重构信号的失真,而不是它们的感知由人类。然而,仅仅关注传统的失真度量不一定会导致高感知质量,特别是在极端的物理条件下,例如非常低的带宽压缩比(BCR)和低信噪比(SNR)状态。在这项工作中,我们提出了两种新的JSCC方案,利用深度生成模型(DGMs)的感知质量进行无线图像传输,即InverseJSCC和GenerativeJSCC。前者是DeepJSCC的逆问题方法,后者是端到端优化的JSCC方案。在这两种情况下,我们优化了加权和的均方误差(MSE)和学习感知图像补丁相似性(LPIPS)的损失,捕捉更多的语义相似性比其他失真指标。InverseJSCC通过使用基于样式的生成对抗网络(StyleGAN)解决逆优化问题,对DeepJSCC模型的失真重建进行去噪。我们的模拟结果表明,InverseJSCC在边缘情况下的感知质量方面显着提高了最先进的(SotA)DeepJSCC。在GenerativeJSCC中,我们对编码器和基于StyleGAN的解码器进行了端到端训练,并证明GenerativeJSCC在失真和感知质量方面都明显优于DeepJSCC。
2022-11-24 cs.AI cs.LG eess.IV
Generative adversarial networks (GAN) based efficient sampling of chemical space for inverse design of inorganic materials
School of Mechanical Engineering, Guizhou university(贵州大学机械工程学院);University of South Carolina(南卡罗来纳大学);Key laboratory of advanced manufacturing technology, Ministry of education(教育部先进制造技术重点实验室)
材料设计中的一个主要挑战是如何有效地搜索广阔的化学设计空间,以找到具有所需性能的材料。一个有效的策略是开发采样算法,可以利用显式的化学知识和隐含的组成规则,体现在大型材料数据库。在这里,我们提出了一种基于生成对抗网络(GAN)的生成机器学习模型(MatGAN),用于有效生成新的假设无机材料。使用ICSD数据库中的材料进行训练,我们的GAN模型可以生成训练数据集中不存在的假设材料,在生成200万个样本时,新颖度达到92.53%。当用ICSD的材料进行训练时,我们的GAN在所有生成的样本中化学有效(电荷中性和电负性平衡)样本的百分比达到84.5%,即使在我们的GAN模型中没有明确执行这样的化学规则,这表明它有能力学习隐含的化学组成规则。该算法可用于加速无机材料的反求设计或计算筛选。
2019-11-12 cs.LG cs.NE stat.ML
Generative Modelling With Inverse Heat Dissipation
Aalto University(阿尔托大学)
本文提出一种通过随机逆转热方程生成图像的新模型,利用图像多尺度结构实现由粗到细的生成,并展现出颜色与形状解耦等优于标准扩散模型的特性。
2023-04-12 cs.CV cs.LG stat.ML
Generative Inverse Design of Crystal Structures via Diffusion Models with Transformers
Institute of Industrial Science, The University of Tokyo(东京大学工业科学研究所)
本文提出一种以 Transformer 为骨干的新型扩散模型,用于晶体结构生成式逆向设计,实验表明其在按目标属性生成结构方面优于既有方法,且最优条件化策略依赖数据集。
2024-06-14 cond-mat.mtrl-sci cs.LG
Proximal-Based Generative Modeling for Bayesian Inverse Problems
School of Advanced Interdisciplinary Sciences, University of Chinese Academy of Sciences(中国科学院大学先进交叉科学学院);School of Mathematics, Sichuan University(四川大学数学学院);School of Mathematical Sciences, Beijing University of Posts and Telecommunications(北京邮电大学数学科学学院);Academy of Mathematics and Systems Science, Chinese Academy of Sciences(中国科学院数学与系统科学研究院);Ministry of Education Key Laboratory of Mathematics and Information Networks(教育部数学与信息网络重点实验室)
针对扩散模型在逆问题中似然分数难以计算的问题,提出基于近端算子的生成建模框架,利用Moreau-Yosida正则化与高斯卷积的理论等价性,通过Moreau分数匹配学习近端算子,实现无需显式似然评估的采样,理论上去除早期停止偏差并达到非渐近收敛,实验在重建质量和采样时间上超越现有方法。
2026-05-27 cs.LG math.OC
Generative Inverse Design: From Single Point Optimization to a Diverse Design Portfolio via Conditional Variational Autoencoders
Faculty of Electrical Engineering, Universiti Teknologi Malaysia(电子工程学院,马来西亚技术大学)
本文提出基于条件变分自编码器的生成式逆向设计框架,将单点优化转为多样化设计组合生成,在翼型降噪中生成256个设计,77.2%优于SBO基线,支持多准则决策。
2025-10-03 cs.AI cs.LG
Seismic Inverse Modeling Method based on Generative Adversarial Network
China University of Petroleum(中国石油大学);Yangtze University(长江大学)
地震反演建模是储层预测中常用的方法,在油气勘探开发中起着重要的作用。常规地震反演方法难以与复杂抽象的地质模式知识相结合,其不确定性难以评估。本文提出了一种基于GAN的地质、测井、地震资料一致的反演建模方法。GAN是一种最有前途的模型生成算法,它提取训练图像的空间结构和抽象特征。训练后的GAN可以再现特定模式下的模型。在我们的测试中,1秒钟内生成了1000个模型。基于训练好的GAN,经过评估,通过贝叶斯反演框架计算模型的最优结果。结果表明,在快速生成的前提下,反演模型符合观测数据,不确定性较低。该方法提高了反演迭代的效率和质量。在地震资料与地质知识的融合中具有一定的研究和应用价值。
2021-06-08 cs.LG physics.geo-ph stat.ML
Generative Latent Diffusion Model for Inverse Modeling and Uncertainty Analysis in Geological Carbon Sequestration
本文提出CoNFiLD-geo模型,结合条件神经场编码与贝叶斯潜空间扩散,实现地质碳封存中高效、不确定性感知的正反演建模与数据同化。
2025-08-17 cs.LG physics.geo-ph
PcDGAN: A Continuous Conditional Diverse Generative Adversarial Network For Inverse Design
Massachusetts Institute of Technology(麻省理工学院);Siemens Corporate Technology(西门子企业技术部)
工程设计任务通常需要综合满足所需性能要求的新设计。传统的设计过程需要迭代优化和性能评估,速度慢,并且依赖于初始设计。过去的工作使用条件生成对抗网络(cGAN)来实现给定目标性能的直接设计合成。然而,大多数现有的cGAN仅限于分类条件。连续条件GAN(Cc GAN)的最新研究试图解决这个问题,但仍然面临两个挑战:1)它在非均匀性能分布上表现不佳,以及2)生成的设计可能无法覆盖整个设计空间。我们提出了一个新的模型,命名为性能条件多样性生成对抗网络(PcDGAN),它引入了一个奇异的邻域损失相结合的一个决定性点过程(DPP)的损失函数,以提高多样性。PcDGAN使用一种新的自我强化评分,称为Lambert对数指数转换评分(LLETS),以改善条件反射。综合问题和真实世界的翼型设计问题的实验表明,PcD GAN优于国家的最先进的GAN模型,并提高了69%,在翼型生成任务和合成条件生成任务的调节可能性高达78%,并实现更大的设计空间覆盖。所提出的方法使有效的设计综合和设计空间探索的应用范围从CAD模型生成到超材料的选择。
2021-06-07 cs.LG
Generator-Guided Inverse Sampling for Lévy-Driven Generative Models
University of Electronic Science and Technology of China(电子科技大学);Hong Kong University of Science and Technology(香港科技大学)
本文针对Lévy驱动生成模型的非局域反向过程挑战,提出生成器引导的结构化逆采样器,将动力学分解为三类分量,结合神经网络与解析分布实现高效采样,在OFDM-SISO信道估计中表现出稳健性能与良好权衡。
2026-08-12 cs.LG
Inverse Flow and Consistency Models
University of Texas Southwestern Medical Center(德克萨斯大学西南医学中心)
针对无干净数据真值的逆生成难题,提出 Inverse Flow 框架及 IFM、ICM 算法,支持复杂连续噪声分布,并在多类数据和科学应用中优于既有方法。
2025-02-17 cs.AI cs.LG
ScatterPrism: convergence for generative simulation and inverse problems in particle and nuclear physics
University of Maryland(马里兰大学)
针对条件流匹配(CFM)在粒子物理模拟中损失函数过早收敛的问题,提出ScatterPrism生成代理模型,结合物理信息指标确保真实运动学保真度,并推广至高能物理等领域。
2026-07-15 cs.LG nucl-ex physics.data-an
Generative Adversarial Imitation Learning
Stanford University(斯坦福大学)
考虑从示例专家行为中学习策略,而无需与专家交互或访问强化信号。一种方法是用逆强化学习恢复专家的成本函数,然后用强化学习从该成本函数中提取策略。这种方法是间接的,可能会很慢。我们提出了一个新的一般框架,直接从数据中提取的政策,就好像它是通过强化学习以下的逆强化学习。我们证明了我们框架的某个实例在模仿学习和生成对抗网络之间进行了类比,从中我们得到了一个无模型的模仿学习算法,该算法在模仿大型高维环境中的复杂行为时,比现有的无模型方法获得了显着的性能增益。
2016-06-10 cs.AI cs.LG
Inverse Estimation of Elastic Modulus Using Physics-Informed Generative Adversarial Networks
NASA Langley Research Center(美国国家航空航天局兰利研究中心);University of Puerto Rico (Mayagüez)(波多黎各大学(马亚圭斯))
虽然标准的生成对抗网络(GANs)仅依赖于训练数据来学习未知的概率分布,但物理信息GANs(PI-GANs)使用自动微分以随机偏微分方程(PDE)的形式对物理定律进行编码。通过偏微分方程将观测数据与未观测的感兴趣量相关联,PI-GAN允许在没有直接测量的情况下估计潜在的概率分布(即逆问题)。GANs的可扩展性质允许高维的、空间相关的概率分布(即,随机场)来推断,而通过PDE合并先验信息允许训练数据集相对较小。在这项工作中,PI-GAN被证明是弹性模量估计在机械测试中的应用。给定测量的变形数据,学习空间变化的弹性模量(刚度)的潜在概率分布。两个前馈深度神经网络发生器用于跨二维域对变形和材料刚度进行建模。采用具有梯度惩罚的Wasserstein GANs来增强稳定性。在没有明确的训练数据的情况下,证明了PI-GAN通过将PDE与测量的变形相关联来学习生成现实的、物理上可接受的材料刚度实现。结果表明,这些生成的刚度样本的统计(平均值,标准差,逐点分布,相关长度)与真实分布有很好的一致性。
2020-05-20 cs.CE cs.LG eess.IV
Generating configurations of increasing lattice size with machine learning and the inverse renormalization group
Laboratoire de Physique de l'Ecole Normale Sup\'erieure, ENS, Universit\'e PSL, CNRS, Sorbonne Universit\'e, Universit\'e de Paris, F-75005 Paris, France
本文回顾了逆重整化群结合机器学习生成增大晶格尺寸构型的方法,重点展示了三维Edwards-Anderson自旋玻璃中生成超算未达晶格构型的应用。
2024-05-25 cond-mat.dis-nn cond-mat.stat-mech cs.LG
A Real-Space Discrete Inverse Renormalization Group Method
本文发展了Gawedzky等人提出的逆重整化群的实空间数值形式。它已被测试,以获得随机强迫热方程的标度行为的短尺度限制。前景进行了描述,该程序的最重要的目标是充分发展的湍流。
1998-08-26 cond-mat.stat-mech
Inverse renormalization group of spin glasses
Laboratoire de Physique de l'Ecole Normale Sup\'erieure, ENS, Universit\'e PSL, CNRS, Sorbonne Universit\'e, Universit\'e de Paris, F-75005 Paris, France
针对自旋玻璃研究中超级计算机难以模拟大体积晶格的问题,提出基于机器学习的逆重整化群变换方法,可从小晶格构建大体积晶格并提取临界指数,为节能生成大体积精确构型开辟路径。
2024-10-29 cond-mat.dis-nn cond-mat.stat-mech cs.LG
Inverse Renormalization Group in Quantum Field Theory
在量子场论的背景下,我们提出了逆重整化群变换,它产生适当的临界不动点结构,在参数空间中产生逆流动,并在与临界性有关的计算中避免临界减慢效应。给定的配置的二维$ϕ^{4}$标量场理论的尺寸小$V=8^{2}$,我们应用逆变换产生的大小高达$V'=512^{2}$,我们利用提取两个临界指数的重标度系统。最后,我们讨论的方法是如何普遍适用于任何方法,成功地产生配置的统计系综,以及它如何可以给新的见解的结构的重整化群。
2022-02-23 cond-mat.stat-mech hep-lat hep-th
Inverse Renormalization Group Transformation in Bayesian Image Segmentations
Tohoku University(东北大学);Yamagata University(山形大学);Kyoto University(京都大学)
提出了一种新的贝叶斯图像分割算法,该算法将循环置信传播和逆实空间重整化群变换相结合,以减少计算时间。在我们的实验结果中,我们观察到,所提出的方法可以减少计算时间,传统的贝叶斯方法所采取的不到十分之一。
2015-01-05 cond-mat.stat-mech cs.CV stat.ML
Inverse Mellin Transformation of Continuous Singular Value Decomposition: A Route to Holographic Renormalization
我们研究全息重整化的奇异值分解(SVD)的矩阵数据产生的Monte Carlo快照的二维经典伊辛模型在临界。取奇异值分解的连续极限,使我们能够通过逆梅林变换找到每个奇异值分解分量的数学形式以及奇异值分解谱的幂律行为。我们发现每个SVD分量的特征在于两点自旋相关器具有有限的相关长度。然后,SVD中的分解指数的连续极限对应于相关长度的倒数。这些特征有力地表明SVD包含着与全息重整化相同的数学结构。
2016-08-30 cond-mat.stat-mech hep-th
Inverse Renormalization Group based on Image Super-Resolution using Deep Convolutional Networks
研究了基于深度卷积神经网络的图像超分辨率的逆重整化群。对于二维伊辛模型和三态Potts模型,我们考虑改进的关联组态代替自旋组态。我们提出了一个块簇变换作为替代块旋转变换处理改进的估计。在对偶Monte Carlo算法框架下,块簇变换被看作是图自由度上的变换,而块自旋变换则是图自旋自由度上的变换.我们证明了重整化改进的关联组态成功地再现了原始配置在所有温度下的超分辨率方案。利用放大规则,我们反复进行逆重整化过程以产生更大的关联组态。为了连接热力学,讨论了近似的温度重新标度。使用超分辨率生成的放大系统满足有限尺寸标度。
2021-04-09 cond-mat.stat-mech
Pathology-Free Real-Space Renormalization Group Theory on an Inverse Limit Space
Albert Einstein Center for Fundamental Physics(阿尔伯特·爱因斯坦基础物理中心);Institute for Theoretical Physics(理论物理研究所);University of Bern(伯尔尼大学)
本文基于有限系统的逆极限提出严格实现威尔逊重正化群的新框架,避免病理性问题,为处理非平凡不动点等难题开辟新路径。
2026-09-17 cond-mat.stat-mech hep-lat math-ph
Dreaming up scale invariance via inverse renormalization group
Univ.\ Lille, CNRS, UMR 8523 -- PhLAM -- Laboratoire de Physique des Lasers Atomes et Mol\'ecules, F-59000 Lille, France;CerCo UMR 5549, CNRS – Université Toulouse III, Toulouse, France;Institute of Physics, Bijeni c ka cesta 46, HR-10001 Zagreb, Croatia
本文探讨了如何用最小神经网络逆向重构二维伊辛模型的重整化群粗化过程,通过概率方法生成尺度不变分布。实验表明,少量参数的神经网络可生成临界配置,复现磁化率、比热容等可观测量的标度行为。
2026-05-06 cond-mat.stat-mech cs.CV cs.LG
Modified Extrapolation Length Renormalization Group Equation
通过考虑序参量涨落的相移,导出了逆外推长度$c$的修正重整化群方程.由此产生的非线性方程也是使用标准方法和一些额外的假设导出的。相关的重整化流$c(l)$表现出正确的行为附近的特殊和普通的固定点,特别是产生一个规范的缩放的$c$与交叉指数$ϕ_{\rm ord} = -ν$附近的普通过渡。
1999-08-04 cond-mat.stat-mech
Renormalization Group Limit Cycles in Quantum Mechanical Problems
我们制定了一个重整化群(RG)的一般两体问题的相互作用参数,并显示如何在RG流中出现一个极限环,如果相互作用接近平方反比定律。这个极限环在能谱中产生一个标度结构。我们的演示是相关的Efimov问题在核物理中出现类似的缩放。
2004-03-31 cond-mat.stat-mech