.png){kind=icon}
返回
Physics-guided dual implicit neural representations for source separation
.png){kind=icon}
OA
AI
DOI：10.1088/2632-2153/ae14ac.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在大多数先进实验和观测技术的高效数据分析中存在显著挑战，因为所采集的信号通常包含不希望有的贡献，例如背景和信号失真，这些因素会掩盖感兴趣的物理相关信息。为解决此问题，我们开发了一种基于双隐式神经表示框架的自监督机器学习方法进行源分离，该方法联合训练两个神经网络：一个用于近似感兴趣物理信号的失真，另一个用于学习有效背景贡献。我们的方法通过最小化基于重构的损失函数直接从原始数据中学习，无需标签数据或预定义字典。我们通过考虑一个具有挑战性的案例研究来证明我们框架的有效性，该研究涉及大规模模拟以及实验性的动量-能量依赖性非弹性中子散射数据，这些数据处于四维参数空间中，具有异质性背景贡献和目标信号未知失真。该方法被证实能够成功地将具有物理意义的信号从复杂或结构化的背景中分离出来，即使信号特征在参数空间的所有四个维度上发生变化。文中提出了一种用于指导正则化参数选择的解析方法。我们的方法提供了一个适用于不同领域的源分离问题通用框架，范围从天文测量中的叠加信号到生物医学图像重建中的结构特征。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
M
IF:
0
论文数:
116
被引数:
0
机构
查看更多机构
引用论文
分享收藏A snapshot review—Fluctuations in quantum materials: from skyrmions to superconductivity.png)
MRS Advances
OAAI
MRS AdvancesIF0
OAAI分享收藏分享收藏Implicit neural representations for experimental steering of advanced experiments隐式神经表示用于先进实验的实验控制OAAI
OAAI分享收藏 查看更多内容