Buchumschlag

Transfer learning-assisted inverse modeling in nanophotonics based on mixture density networks

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Cheng, Liang, Singh, Prashant, Ferranti, Francesco
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Optics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Fast inverse lithography based on a model-driven block stacking convolutional neural network
von: Chen, Ruixiang, et al.
Veröffentlicht: (2024)

Optical diffraction neural networks assisted computational ghost imaging through dynamic scattering media
von: Li, Yue-Gang, et al.
Veröffentlicht: (2025)

High computational density nanophotonic media for machine learning inference
von: Zhao, Zhenyu, et al.
Veröffentlicht: (2025)

Limits of nonlinear and dispersive fiber propagation for an optical fiber-based extreme learning machine
von: Ermolaev, Andrei V., et al.
Veröffentlicht: (2025)

Universal on-chip polarization handling with deep photonic networks
von: Vit, Aycan Deniz, et al.
Veröffentlicht: (2024)

Training neural networks with end-to-end optical backpropagation
von: Spall, James, et al.
Veröffentlicht: (2023)

Active Convolved Illumination with Deep Transfer Learning for Complex Beam Transmission through Atmospheric Turbulence
von: Moazzam, Adrian A., et al.
Veröffentlicht: (2025)

Inferring geometry and material properties from Mueller matrices with machine learning
von: Doorenbos, Lars, et al.
Veröffentlicht: (2025)

Detecting immune cells with label-free two-photon autofluorescence and deep learning
von: Kreiss, Lucas, et al.
Veröffentlicht: (2025)

Asymmetrical estimator for training encapsulated deep photonic neural networks
von: Wang, Yizhi, et al.
Veröffentlicht: (2024)

Efficient training for large-scale optical neural network using an evolutionary strategy and attention pruning
von: Yang, Zhiwei, et al.
Veröffentlicht: (2025)

Comparison between neural network clustering, hierarchical clustering and k-means clustering: Applications using fluidic lenses
von: Puentes, Graciana
Veröffentlicht: (2025)

Bayesian geoacoustic inversion using mixture density network
von: Wu, Guoli, et al.
Veröffentlicht: (2020)

invrs-gym: a toolkit for nanophotonic inverse design research
von: Schubert, Martin F.
Veröffentlicht: (2024)

Modeling and benchmarking quantum optical neurons for efficient neural computation
von: Andrisani, Andrea, et al.
Veröffentlicht: (2025)

Deep-learning-assisted reconfigurable metasurface antenna for real-time holographic beam steering
von: Ma, Hyunjun, et al.
Veröffentlicht: (2024)

Physics-Aware Style Transfer for Adaptive Holographic Reconstruction
von: Lee, Chanseok, et al.
Veröffentlicht: (2025)

Unconventional Computing based on Four Wave Mixing in Highly Nonlinear Waveguides
von: Sozos, Kostas, et al.
Veröffentlicht: (2024)

Decentralized multi-agent reinforcement learning algorithm using a cluster-synchronized laser network
von: Kotoku, Shun, et al.
Veröffentlicht: (2024)

Efficient nanophotonic devices optimization using deep neural network trained with physics-based transfer learning (PBTL) methodology
von: Kim, Gibaek, et al.
Veröffentlicht: (2025)

The Spatial Complexity of Optical Computing and How to Reduce It
von: Li, Yandong, et al.
Veröffentlicht: (2024)

Decision-making and control with diffractive optical networks
von: Qiu, Jumin, et al.
Veröffentlicht: (2022)

Imaging at the quantum limit with convolutional neural networks
von: Proppe, Andrew H., et al.
Veröffentlicht: (2025)

Photonic convolutional neural network with pre-trained in-situ training
von: Ranjan, Saurabh, et al.
Veröffentlicht: (2026)

Perfecting Imperfect Physical Neural Networks with Transferable Robustness using Sharpness-Aware Training
von: Xu, Tengji, et al.
Veröffentlicht: (2024)

Shaping Laser Pulses with Reinforcement Learning
von: Capuano, Francesco, et al.
Veröffentlicht: (2025)

Online unsupervised Hebbian learning in deep photonic neuromorphic networks
von: Li, Xi, et al.
Veröffentlicht: (2026)

Classification and reconstruction for single-pixel imaging with classical and quantum neural networks
von: Manko, Sofya, et al.
Veröffentlicht: (2024)

Gradients of unitary optical neural networks using parameter-shift rule
von: Jiang, Jinzhe, et al.
Veröffentlicht: (2025)

Laser interferometry as a robust neuromorphic platform for machine learning
von: Anteneh, Amanuel, et al.
Veröffentlicht: (2026)

Leveraging machine learning features for linear optical interferometer control
von: Kuzmin, Sergei S., et al.
Veröffentlicht: (2025)

Deep learning assisted inverse design of nonreciprocal multilayer photonic structures
von: Zhang, Weiran, et al.
Veröffentlicht: (2026)

Machine-Learning-Assisted Photonic Device Development: A Multiscale Approach from Theory to Characterization
von: Chen, Yuheng, et al.
Veröffentlicht: (2025)

On the use of deep learning for phase recovery
von: Wang, Kaiqiang, et al.
Veröffentlicht: (2023)

Physics-informed network paradigm with data generation and background noise removal for diverse distributed acoustic sensing applications
von: Wan, Yangyang, et al.
Veröffentlicht: (2025)

Improving the performance of optical inverse design of multilayer thin films using CNN-LSTM tandem neural networks
von: Jung, Uijun, et al.
Veröffentlicht: (2025)

Transfer Learning and the Early Estimation of Single-Photon Source Quality using Machine Learning Methods
von: Kedziora, David Jacob, et al.
Veröffentlicht: (2024)

Thermal Crosstalk Modelling and Compensation Methods for Programmable Photonic Integrated Circuits
von: Teofilovic, Isidora, et al.
Veröffentlicht: (2024)

Dispersion engineered AlGaAs-on-insulator nanophotonics by distributed feedback
von: Talenti, Francesco Rinaldo, et al.
Veröffentlicht: (2025)

Towards nanophotonic optical isolation via inverse design of energy transfer in non-reciprocal media
von: Cisowski, Claire M., et al.
Veröffentlicht: (2023)