論文の概要: Inferring Vector Magnetic Fields from Stokes Profiles of GST/NIRIS Using a Convolutional Neural Network

• arxiv url: http://arxiv.org/abs/2005.03945v1
• Date: Fri, 8 May 2020 10:26:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-05 13:09:01.098886
• Title: Inferring Vector Magnetic Fields from Stokes Profiles of GST/NIRIS Using a Convolutional Neural Network
• Title（参考訳）: 畳み込みニューラルネットワークを用いたGST/NIRISのストークスプロファイルからのベクトル磁界の推定
• Authors: Hao Liu, Yan Xu, Jiasheng Wang, Ju Jing, Chang Liu, Jason T. L. Wang, Haimin Wang
• Abstract要約: 本稿では、畳み込みニューラルネットワーク(CNN)とミルン・エディントン(ME)法に基づくストークス逆変換の新しい機械学習手法を提案する。 物理ベースMEツールで作成したトレーニングデータの潜在パターンを学習することにより,GST/NIRISのストークスプロファイルからベクトル磁場を推定できる。 実験の結果,CNN法は広く用いられているME法よりもスムーズでクリーンな磁気マップを生成することがわかった。
• 参考スコア（独自算出の注目度）: 9.566896529266494
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a new machine learning approach to Stokes inversion based on a convolutional neural network (CNN) and the Milne-Eddington (ME) method. The Stokes measurements used in this study were taken by the Near InfraRed Imaging Spectropolarimeter (NIRIS) on the 1.6 m Goode Solar Telescope (GST) at the Big Bear Solar Observatory. By learning the latent patterns in the training data prepared by the physics-based ME tool, the proposed CNN method is able to infer vector magnetic fields from the Stokes profiles of GST/NIRIS. Experimental results show that our CNN method produces smoother and cleaner magnetic maps than the widely used ME method. Furthermore, the CNN method is 4~6 times faster than the ME method, and is able to produce vector magnetic fields in near real-time, which is essential to space weather forecasting. Specifically, it takes ~50 seconds for the CNN method to process an image of 720 x 720 pixels comprising Stokes profiles of GST/NIRIS. Finally, the CNN-inferred results are highly correlated to the ME-calculated results and are closer to the ME's results with the Pearson product-moment correlation coefficient (PPMCC) being closer to 1 on average than those from other machine learning algorithms such as multiple support vector regression and multilayer perceptrons (MLP). In particular, the CNN method outperforms the current best machine learning method (MLP) by 2.6% on average in PPMCC according to our experimental study. Thus, the proposed physics-assisted deep learning-based CNN tool can be considered as an alternative, efficient method for Stokes inversion for high resolution polarimetric observations obtained by GST/NIRIS.
• Abstract（参考訳）: 本稿では、畳み込みニューラルネットワーク(CNN)とミルン・エディントン(ME)法に基づくストークス逆変換の新しい機械学習手法を提案する。 この研究で使用されたストークスの測定は、ビッグベア天文台の1.6mグッド太陽望遠鏡(gst)の近赤外分光偏光計(niris)によって行われた。 物理ベースのmeツールで作成したトレーニングデータの潜在パターンを学習することにより,提案手法はgst/nirisのストークスプロファイルからベクトル磁場を推定することができる。 実験の結果, cnn法は広く用いられているme法よりもスムースでクリーンな磁気マップを生成することがわかった。 さらに、cnn法はme法よりも4～6倍高速であり、宇宙天気予報に不可欠な、ほぼリアルタイムでベクトル磁場を生成することができる。 具体的には、cnn法がgst/nirisのストークスプロファイルからなる720 x 720ピクセルの画像を処理するのに50秒かかる。 最後に、cnnによる推定結果は、me計算結果と高い相関関係にあり、pearson product-moment correlation coefficient (ppmcc) は、マルチサポートベクトル回帰や多層パーセプトロン(mlp)のような他の機械学習アルゴリズムの平均値よりも1に近いため、meの結果に近い。 特に,CNN法はPPMCCにおいて,現在最高の機械学習手法であるMLP(MLP)を平均2.6%上回っている。 したがって、物理支援深層学習に基づくCNNツールは、GST/NIRISによって得られた高分解能偏光観測のためのストークス変換の代替的で効率的な方法であると考えられる。

関連論文リスト

• KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
  KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。 我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。 我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-18T05:48:24Z)
• Real-time gravitational-wave inference for binary neutron stars using machine learning [71.29593576787549]
  近似を行なわずに1秒で完全なBNS推論を行う機械学習フレームワークを提案する。 本手法は, (i) 合併前の正確な局所化を提供することにより, (i) 近似低遅延法と比較して, (ii) 局所化精度を$sim30%$で改善すること, (iii) 光度距離, 傾斜, 質量に関する詳細な情報を提供することにより, (i) マルチメーサの観測を向上する。
  論文  参考訳（メタデータ） (2024-07-12T18:00:02Z)
• Learning Radio Environments by Differentiable Ray Tracing [56.40113938833999]
  本稿では, 材料特性, 散乱, アンテナパターンの微分パラメトリゼーションによって補う, 勾配式キャリブレーション法を提案する。 提案手法は,MIMO(分散マルチインプットマルチインプット・マルチアウトプット・チャネル・サウンドア)を用いて,合成データと実世界の屋内チャネル計測の両方を用いて検証した。
  論文  参考訳（メタデータ） (2023-11-30T13:50:21Z)
• Deep-learning based measurement of planetary radial velocities in the presence of stellar variability [70.4007464488724]
  我々は、HARPS-N Sun-as-a-star Spectraの3年間の恒星RVジッタを低減するためにニューラルネットワークを使用する。 マルチラインCNNは、半振幅0.2m/s、50日間、振幅8.8%、周期0.7%の誤差で惑星を回復することができる。
  論文  参考訳（メタデータ） (2023-04-10T18:33:36Z)
• Inferring Line-of-Sight Velocities and Doppler Widths from Stokes Profiles of GST/NIRIS Using Stacked Deep Neural Networks [11.555819649702082]
  我々はStokesプロファイルからLOS速度とドップラー幅を推定するための新しいディープラーニング手法である Stacked Deep Neural Networks (SDNN) を提案する。 SDNNのトレーニングデータは、ビッグベア太陽観測所(BBSO)が使用するMilne-Eddington (ME)インバージョンコードによって作成される。 我々は、SDNNを定量的に評価し、その逆解析結果とME反転符号と関連する機械学習(ML)アルゴリズムで得られた結果と比較する。
  論文  参考訳（メタデータ） (2022-10-08T23:19:05Z)
• Supernova Light Curves Approximation based on Neural Network Models [53.180678723280145]
  光度データによる超新星の分類は、天文学におけるビッグデータのリアルタイム処理の出現によって課題となる。 近年の研究では、様々な機械学習モデルに基づく解の優れた品質が実証されている。 我々は,多層パーセプトロン(MLP),ベイジアンニューラルネットワーク(BNN),正規化フロー(NF)の単一光曲線観測への応用について検討した。
  論文  参考訳（メタデータ） (2022-06-27T13:46:51Z)
• Predicting Solar Flares Using CNN and LSTM on Two Solar Cycles of Active Region Data [8.482291093820635]
  今後24時間でM級またはX級のフレアを発生させるフレアが支配的な活性領域を識別するフレア予測問題を考察する。 私たちは、CNNとLSTMという2つのディープラーニングアルゴリズムとそのスタックングアンサンブルをトレーニングし、評価します。
  論文  参考訳（メタデータ） (2022-04-07T19:38:16Z)
• Classification of diffraction patterns using a convolutional neural network in single particle imaging experiments performed at X-ray free-electron lasers [53.65540150901678]
  X線自由電子レーザー(XFEL)における単一粒子イメージング(SPI)は、その自然環境における粒子の3次元構造を決定するのに特に適している。 再建を成功させるためには、単一のヒットに由来する回折パターンを多数の取得パターンから分離する必要がある。 本稿では,この課題を画像分類問題として定式化し,畳み込みニューラルネットワーク(CNN)アーキテクチャを用いて解決することを提案する。
  論文  参考訳（メタデータ） (2021-12-16T17:03:14Z)
• Fast and Accurate Emulation of the SDO/HMI Stokes Inversion with Uncertainty Quantification [10.638219239394209]
  既存のHMIパイプラインの結果が現在のパイプラインアルゴリズムよりも2桁早くエミュレートできるディープラーニングベースのアプローチを紹介します。 我々は,磁場と運動力学的および熱力学的パラメータの高忠実度推定を行うことができることを示した。
  論文  参考訳（メタデータ） (2021-03-31T17:59:40Z)
• Machine learning initialization to accelerate Stokes profile inversions [0.0]
  本稿では,畳み込みニューラルネットワーク(cnns)を,ストークスプロファイルインバージョンを有利に初期化するツールとして利用する。 ヒノード探査機で観測された分光偏光度計をテストベンチマークとして使用した。 並列インバージョンを簡単にセットアップできるSIRおよびDeSIReコード用のpythonラッパーについて説明します。
  論文  参考訳（メタデータ） (2021-03-16T00:53:34Z)
• Predicting Coronal Mass Ejections Using SDO/HMI Vector Magnetic Data Products and Recurrent Neural Networks [8.269784943760882]
  我々は,M型またはX型フレアを発生させる活動領域(AR)が,コロナ質量放出(CME)を引き起こすかどうかを予測するために,2つのリカレントニューラルネットワーク(RNN)を提案する。 我々はARにおけるデータサンプルを時系列としてモデル化し、RNNを用いてデータサンプルの時間的情報をキャプチャする。 我々の知る限り、CME予測にRNNが使われたのはこれが初めてです。
  論文  参考訳（メタデータ） (2020-02-22T11:26:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。