論文の概要: Incorporating Physical Knowledge into Machine Learning for Planetary Space Physics

• arxiv url: http://arxiv.org/abs/2006.01927v1
• Date: Tue, 2 Jun 2020 20:31:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-26 01:04:37.064884
• Title: Incorporating Physical Knowledge into Machine Learning for Planetary Space Physics
• Title（参考訳）: 惑星宇宙物理のための機械学習への物理知識の導入
• Authors: A. R. Azari, J. W. Lockhart, M. W. Liemohn, X. Jia
• Abstract要約: 我々は、土星の磁気圏におけるプラズマ不安定性の半教師付き物理に基づく分類を適用した以前の試みを構築した。 これらの軌道上の宇宙船データ特性の知識を取り入れることで、機械学習手法の性能と解釈性が向上することを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent improvements in data collection volume from planetary and space physics missions have allowed the application of novel data science techniques. The Cassini mission for example collected over 600 gigabytes of scientific data from 2004 to 2017. This represents a surge of data on the Saturn system. Machine learning can help scientists work with data on this larger scale. Unlike many applications of machine learning, a primary use in planetary space physics applications is to infer behavior about the system itself. This raises three concerns: first, the performance of the machine learning model, second, the need for interpretable applications to answer scientific questions, and third, how characteristics of spacecraft data change these applications. In comparison to these concerns, uses of black box or un-interpretable machine learning methods tend toward evaluations of performance only either ignoring the underlying physical process or, less often, providing misleading explanations for it. We build off a previous effort applying a semi-supervised physics-based classification of plasma instabilities in Saturn's magnetosphere. We then use this previous effort in comparison to other machine learning classifiers with varying data size access, and physical information access. We show that incorporating knowledge of these orbiting spacecraft data characteristics improves the performance and interpretability of machine learning methods, which is essential for deriving scientific meaning. Building on these findings, we present a framework on incorporating physics knowledge into machine learning problems targeting semi-supervised classification for space physics data in planetary environments. These findings present a path forward for incorporating physical knowledge into space physics and planetary mission data analyses for scientific discovery.
• Abstract（参考訳）: 惑星物理学と宇宙物理学のミッションによるデータ収集量の最近の改善は、新しいデータサイエンス技術の適用を可能にした。 例えばカッシーニミッションは2004年から2017年にかけて600ギガバイト以上の科学データを収集した。 これは土星系のデータの急増を表している。 機械学習は、科学者が大規模なデータを扱うのに役立つ。 機械学習の多くの応用とは異なり、惑星物理学の応用では、システム自体の振る舞いを推測することが主な用途である。 第1に、機械学習モデルのパフォーマンス、第2に、科学的な質問に答えるための解釈可能なアプリケーションの必要性、第3に、宇宙船データの特徴がこれらのアプリケーションをどのように変化させるか、という懸念である。 これらの関心事と比較すると、ブラックボックスや非解釈可能な機械学習手法の使用は、基礎となる物理的プロセスを無視しているか、あるいはより少ない頻度で、パフォーマンスの評価を行う傾向にある。 我々は、土星の磁気圏におけるプラズマ不安定性の半教師付き物理に基づく分類を適用した以前の試みを構築した。 そして、この以前の取り組みを、さまざまなデータサイズアクセスと物理情報アクセスを持つ他の機械学習分類器と比較する。 これらの軌道上のデータ特性の知識を組み込むことで、科学的意味の導出に不可欠な機械学習手法の性能と解釈性が向上することを示す。 これらの知見に基づいて,惑星環境における宇宙物理データの半教師付き分類を対象とする機械学習問題に物理知識を組み込む枠組みを提案する。 これらの発見は、物理知識を宇宙物理学や惑星ミッションデータ分析に組み込むための道筋を示している。

関連論文リスト

• The Sound of Water: Inferring Physical Properties from Pouring Liquids [85.30865788636386]
  注水液の音響・視覚観測と物理の関連性について検討した。 本研究の目的は, 液位, 容器形状, 注水速度, 充填時間などの物性を自動的に推定することである。
  論文  参考訳（メタデータ） (2024-11-18T01:19:37Z)
• Elements of effective machine learning datasets in astronomy [1.552171919003135]
  天文学における効果的な機械学習データセットの要素を同定する。 これらの要素が天文学的な応用に重要である理由と、それを実現する方法について議論する。
  論文  参考訳（メタデータ） (2022-11-25T23:37:24Z)
• Physics-Informed Machine Learning: A Survey on Problems, Methods and Applications [31.157298426186653]
  最近の研究は、物理的な事前および収集されたデータを組み込むことによって、機械学習モデルに潜在的な利点を提供することを示している。 本稿では、経験的データと利用可能な物理的事前知識を活用するモデルを構築することを目的とした、Physical-Informed Machine Learning(PIML)という学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2022-11-15T11:34:30Z)
• Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
  マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。 本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
  論文  参考訳（メタデータ） (2022-09-05T16:48:34Z)
• Maximizing information from chemical engineering data sets: Applications to machine learning [61.442473332320176]
  化学工学の応用において、古典的な人工知能のアプローチを適用するのが難しくなる4つの特徴を同定する。 それぞれのデータ特性について、これらのデータ特性が生じるアプリケーションについて論じ、現在の化学工学研究が、これらの課題を組み込むために、データサイエンスと機械学習の分野をどのように拡張しているかを示す。
  論文  参考訳（メタデータ） (2022-01-25T01:25:45Z)
• Machine learning for Earth System Science (ESS): A survey, status and future directions for South Asia [0.12647816797166164]
  この調査は、機械学習アルゴリズムを適用する地球システム科学の現在の問題に焦点を当てている。 これは、以前の研究の概要、インドの地球科学省における進行中の作業、そしていくつかの重要な地球科学問題へのMLアルゴリズムの将来の応用の概要を提供する。
  論文  参考訳（メタデータ） (2021-12-24T06:44:55Z)
• First Full-Event Reconstruction from Imaging Atmospheric Cherenkov Telescope Real Data with Deep Learning [55.41644538483948]
  チェレンコフ望遠鏡アレイは、地上のガンマ線天文学の未来である。 地上で作られた最初のプロトタイプ望遠鏡であるLarge Size Telescope 1は現在、最初の科学データを収集している。 我々は、深層畳み込みニューラルネットワークに基づくフルイベント再構築の開発とその実データへの適用を初めて提示する。
  論文  参考訳（メタデータ） (2021-05-31T12:51:42Z)
• Measuring and modeling the motor system with machine learning [117.44028458220427]
  モーターシステムの理解における機械学習の有用性は、データの収集、測定、分析の方法に革命をもたらすことを約束している。 本稿では, ポーズ推定, 運動解析, 次元減少, 閉ループフィードバックから, ニューラル相関の理解, 機能停止まで, 機械学習の利用の増大について論じる。
  論文  参考訳（メタデータ） (2021-03-22T12:42:16Z)
• Automated identification of transiting exoplanet candidates in NASA Transiting Exoplanets Survey Satellite (TESS) data with machine learning methods [1.9491825010518622]
  AI/ML ThetaRayシステムは当初ケプラー太陽系外惑星のデータで訓練され、確認された太陽系外惑星で検証される。 TESSミッションで発生したしきい値交差イベント(TCE)の10,803光曲線へのThetaRayの適用により、39の新たな惑星候補が発見された。
  論文  参考訳（メタデータ） (2021-02-20T12:28:39Z)
• Living in the Physics and Machine Learning Interplay for Earth Observation [7.669855697331746]
  推論は変数の関係を理解し、物理的に解釈可能なモデルを導出することを意味する。 機械学習モデルだけでも優れた近似器であるが、物理学の最も基本的な法則を尊重しないことが多い。 これは、地球系の知識を発見できるアルゴリズムを開発し、適用するための、長期的なAIの集合的なアジェンダである。
  論文  参考訳（メタデータ） (2020-10-18T16:58:20Z)
• A Data Scientist's Guide to Streamflow Prediction [55.22219308265945]
  我々は,水文降雨要素と流出モデルに着目し,洪水の予測と流れの予測に応用する。 このガイドは、データサイエンティストが問題や水文学的な概念、そしてその過程で現れる詳細を理解するのを助けることを目的としています。
  論文  参考訳（メタデータ） (2020-06-05T08:04:37Z)

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。