用于数据稀缺光谱应用的生成对抗网络
光学
2023-07-17 v1 其他凝聚态物理
机器学习
计算物理
摘要
生成对抗网络（GANs）是生成式人工智能领域中最鲁棒且通用的技术之一。在本工作中，我们报道了 GANs 在合成光谱数据生成领域的应用，为各种科学背景下存在的数据稀缺问题提供了解决方案。我们通过将其应用于涉及多层双曲超材料的近场辐射传热中的一个示例性问题来展示所提出的方法。我们发现成功生成光谱数据需要对常规 GANs 进行两处修改：（i）引入 Wasserstein GANs（WGANs）以避免模式崩溃，以及（ii）对 WGANs 进行条件化以获得所生成数据的准确标签。我们展示了一个简单的前馈神经网络（FFNN）在由 CWGAN 生成的数据增强后，在有限数据可用性条件下显著提升了其性能，证明了 CWGAN 数据增强超越单纯提供更大数据集的内在价值。此外，我们展示了 CWGANs 可以充当替代模型，在低数据体制下相对于简单 FFNNs 具有改进的性能。总体而言，本工作突出了生成式机器学习算法在图像生成与优化之外的科学应用中的潜力。
引用
@article{arxiv.2307.07454,
title = {Generative adversarial networks for data-scarce spectral applications},
author = {Juan José García-Esteban and Juan Carlos Cuevas and Jorge Bravo-Abad},
journal= {arXiv preprint arXiv:2307.07454},
year = {2023}
}