Generative adversarial networks for data-scarce spectral applications

要約

敵対的生成ネットワーク (GAN) は、生成人工知能の分野で最も堅牢で汎用性の高い技術の 1 つです。
この研究では、合成スペクトル データ生成の領域における GAN の応用について報告し、さまざまな科学的背景で見られるデータの不足に対する解決策を提供します。
提案されたアプローチを、多層双曲メタマテリアルを含む近接場放射熱伝達の領域内の例示的な問題に適用することにより実証します。
スペクトル データの生成を成功させるには、従来の GAN に対する 2 つの変更が必要であることがわかりました。(i) モード崩壊を回避するための Wasserstein GAN (WGAN) の導入、および (ii) 生成されたデータの正確なラベルを取得するための WGAN の調整です。
私たちは、シンプルなフィードフォワード ニューラル ネットワーク (FFNN) が、CWGAN によって生成されたデータで強化されると、利用可能なデータが限られている条件下でそのパフォーマンスが大幅に向上することを示し、単に大規模なデータセットを提供するだけではない CWGAN データ拡張の本質的な価値を実証します。
さらに、CWGAN が単純な FFNN に対して低データ領域でのパフォーマンスが向上したサロゲート モデルとして機能できることを示します。
全体として、この研究は、画像の生成と最適化を超えた科学的応用における生成的機械学習アルゴリズムの可能性を強調しています。

要約(オリジナル)

Generative adversarial networks (GANs) are one of the most robust and versatile techniques in the field of generative artificial intelligence. In this work, we report on an application of GANs in the domain of synthetic spectral data generation, offering a solution to the scarcity of data found in various scientific contexts. We demonstrate the proposed approach by applying it to an illustrative problem within the realm of near-field radiative heat transfer involving a multilayered hyperbolic metamaterial. We find that a successful generation of spectral data requires two modifications to conventional GANs: (i) the introduction of Wasserstein GANs (WGANs) to avoid mode collapse, and, (ii) the conditioning of WGANs to obtain accurate labels for the generated data. We show that a simple feed-forward neural network (FFNN), when augmented with data generated by a CWGAN, enhances significantly its performance under conditions of limited data availability, demonstrating the intrinsic value of CWGAN data augmentation beyond simply providing larger datasets. In addition, we show that CWGANs can act as a surrogate model with improved performance in the low-data regime with respect to simple FFNNs. Overall, this work highlights the potential of generative machine learning algorithms in scientific applications beyond image generation and optimization.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google