Unsupervised Machine Learning to Classify the Confinement of Waves in Periodic Superstructures

要約

タイトル：周期的な超構造内の波の閉じ込めの分類に用いる教師なし機械学習

要約：本研究では、波の閉じ込め解析のために最近提案されたスケーリング方法の精度を向上するため、教師なし機械学習を採用した。また、標準的なk-means++アルゴリズムと独自のモデルベースのアルゴリズムを採用した。クラスターの妥当性指標を調査し、クラスタリングアルゴリズムに入力するための正しい閉じ込め次元数を見つける手段として用いた。その後、クラスタリングを行わずにスケーリング方法を直接適用した場合と、2つのクラスタリングアルゴリズムのパフォーマンスを分析した。クラスタリングアプローチはより物理的に意味のある結果を提供するが、正しい閉じ込め次元数のセットを特定することが難しい場合があることがわかった。最も正確な結果は、まず直接スケーリングを適用して正しい閉じ込め次元数を見つけ、その後クラスタリングを用いて結果を改良することで得られる。さらに、独自のモデルベースのアルゴリズムは、標準的なk-means++クラスタリングよりも優れたパフォーマンスを示した。

– 波の閉じ込め解析のために提案されたスケーリング方法の精度を向上するために、教師なし機械学習を採用した。
– 標準的なk-means++アルゴリズムと独自のモデルベースのアルゴリズムを採用した。
– クラスターの妥当性指標を調査し、クラスタリングアルゴリズムに入力するための正しい閉じ込め次元数を見つける手段として用いた。
– クラスタリングを行わずにスケーリング方法を直接適用した場合と、2つのクラスタリングアルゴリズムのパフォーマンスを比較した。
– クラスタリングアプローチは、より物理的に意味のある結果を提供するが、正しい閉じ込め次元数のセットを特定することが難しい場合があることがわかった。
– 最も正確な結果は、まず直接スケーリングを適用して正しい閉じ込め次元数を見つけ、その後クラスタリングを用いて結果を改良することで得られる。
– 独自のモデルベースのアルゴリズムは、標準的なk-means++クラスタリングよりも優れたパフォーマンスを示した。

要約(オリジナル)

We employ unsupervised machine learning to enhance the accuracy of our recently presented scaling method for wave confinement analysis [1]. We employ the standard k-means++ algorithm as well as our own model-based algorithm. We investigate cluster validity indices as a means to find the correct number of confinement dimensionalities to be used as an input to the clustering algorithms. Subsequently, we analyze the performance of the two clustering algorithms when compared to the direct application of the scaling method without clustering. We find that the clustering approach provides more physically meaningful results, but may struggle with identifying the correct set of confinement dimensionalities. We conclude that the most accurate outcome is obtained by first applying the direct scaling to find the correct set of confinement dimensionalities and subsequently employing clustering to refine the results. Moreover, our model-based algorithm outperforms the standard k-means++ clustering.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI