論文の概要: Hybrid deep learning architecture for general disruption prediction across tokamaks

• arxiv url: http://arxiv.org/abs/2007.01401v4
• Date: Thu, 26 Nov 2020 07:54:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-14 14:54:39.041770
• Title: Hybrid deep learning architecture for general disruption prediction across tokamaks
• Title（参考訳）: ハイブリッド型ディープラーニングアーキテクチャによるトカマク全体の一般破壊予測
• Authors: J.X. Zhu, C. Rea, K. Montes, R.S. Granetz, R. Sweeney, R.A. Tinguely
• Abstract要約: 本研究では,爆発的データ解析から得られた重要な知見に基づいて,新たなディープラーニング破壊予測アルゴリズムを提案する。 新しいアルゴリズムは,C-Mod,DIII-D,EASTトカマクに対して高い予測精度を実現する。
• 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: In this paper, we present a new deep learning disruption prediction algorithm based on important findings from explorative data analysis which effectively allows knowledge transfer from existing devices to new ones, thereby predicting disruptions using very limited disruptive data from the new devices. The explorative data analysis conducted via unsupervised clustering techniques confirms that time-sequence data are much better separators of disruptive and non-disruptive behavior than the instantaneous plasma state data with further advantageous implications for a sequence-based predictor. Based on such important findings, we have designed a new algorithm for multi-machine disruption prediction that achieves high predictive accuracy on the C-Mod (AUC=0.801), DIII-D (AUC=0.947) and EAST (AUC=0.973) tokamaks with limited hyperparameter tuning. Through numerical experiments, we show that boosted accuracy (AUC=0.959) is achieved on EAST predictions by including in the training only 20 disruptive discharges, thousands of non-disruptive discharges from EAST, and combining this with more than a thousand discharges from DIII-D and C-Mod. The improvement of predictive ability obtained by combining disruptive data from other devices is found to be true for all permutations of the three devices. Furthermore, by comparing the predictive performance of each individual numerical experiment, we find that non-disruptive data are machine-specific while disruptive data from multiple devices contain device-independent knowledge that can be used to inform predictions for disruptions occurring on a new device.
• Abstract（参考訳）: 本稿では,既存のデバイスから新しいデバイスへの知識伝達を効果的に可能にし,新しいデバイスからの非常に限られた破壊データを用いた破壊予測を行う,爆発的データ分析から重要な知見に基づく新しいディープラーニング破壊予測アルゴリズムを提案する。 教師なしクラスタリングによる探索的データ解析により,時系列データの方が瞬時プラズマ状態データよりも破壊的かつ非破壊的挙動の分離装置として優れていることが確認された。 このような重要な知見に基づいて, C-Mod (AUC=0.801), DIII-D (AUC=0.947) および EAST (AUC=0.973) トカマクの高予測精度を実現するマルチマシン破壊予測アルゴリズムを設計した。 数値実験により,EAST予測の精度向上(AUC=0.959)は,20個の破壊放電と数千個の非破壊放電と,DIII-DおよびC-Modからの1000以上の放電とを組み合わせることで達成された。 他のデバイスからの破壊的データを組み合わせることで得られる予測能力の改善は、3つのデバイスのすべての順列に当てはまる。 さらに, 個々の数値実験の予測性能を比較することにより, 非破壊データは機械固有のものであり, 複数デバイスからの破壊データには, 新たなデバイスで発生した破壊の予測に使用するデバイス非依存の知識が含まれていることがわかった。

関連論文リスト

• An Investigation on Machine Learning Predictive Accuracy Improvement and Uncertainty Reduction using VAE-based Data Augmentation [2.517043342442487]
  深層生成学習は、特定のMLモデルを使用して、既存のデータの基盤となる分布を学習し、実際のデータに似た合成サンプルを生成する。 本研究では,変分オートエンコーダ(VAE)を用いた深部生成モデルを用いて,データ拡張の有効性を評価することを目的とする。 本研究では,拡張データを用いてトレーニングしたディープニューラルネットワーク(DNN)モデルの予測において,データ拡張が精度の向上につながるかどうかを検討した。
  論文  参考訳（メタデータ） (2024-10-24T18:15:48Z)
• Prediction-Powered Inference [68.97619568620709]
  予測を用いた推論は、実験データセットに機械学習システムからの予測を補足した場合に有効な統計的推論を行うためのフレームワークである。 このフレームワークは、手段、量子、線形およびロジスティック回帰係数などの量に対して証明可能な信頼区間を計算するための単純なアルゴリズムを生成する。 予測による推論により、研究者は機械学習を使用して、より有効な、よりデータ効率の高い結論を導き出すことができる。
  論文  参考訳（メタデータ） (2023-01-23T18:59:28Z)
• A Robust and Explainable Data-Driven Anomaly Detection Approach For Power Electronics [56.86150790999639]
  本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。 行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。 検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
  論文  参考訳（メタデータ） (2022-09-23T06:09:35Z)
• Uncertainty aware anomaly detection to predict errant beam pulses in the SNS accelerator [47.187609203210705]
  本稿では、不確実性を考慮した機械学習手法、シームズニューラルネットワークモデルの適用について述べる。 接近する故障を予測することで、損傷が起こる前に加速器を止めることができる。
  論文  参考訳（メタデータ） (2021-10-22T18:37:22Z)
• Scenario adaptive disruption prediction study for next generation burning-plasma tokamaks [0.0]
  次世代高性能トカマク(HP)は、高電流および電力の未緩和破壊によるリスク損傷を発生させる。 トカマクの運用体制が、訓練された破壊予測器のパワーにどのように影響するかを実証する。
  論文  参考訳（メタデータ） (2021-09-18T15:48:02Z)
• Semantic Perturbations with Normalizing Flows for Improved Generalization [62.998818375912506]
  我々は、非教師付きデータ拡張を定義するために、潜在空間における摂動が利用できることを示す。 トレーニングを通して分類器に適応する潜伏性対向性摂動が最も効果的であることが判明した。
  論文  参考訳（メタデータ） (2021-08-18T03:20:00Z)
• Multiple Organ Failure Prediction with Classifier-Guided Generative Adversarial Imputation Networks [4.040013871160853]
  多臓器不全 (MOF) は集中治療室 (ICU) 患者の死亡率が高い重篤な症候群である。 機械学習モデルを電子健康記録に適用することは、欠落した値の広範性のために難しい。
  論文  参考訳（メタデータ） (2021-06-22T15:49:01Z)
• Enhancing Robustness of On-line Learning Models on Highly Noisy Data [7.812139470551903]
  新たに設計されたアンサンブル予測を備えたRobust Anomaly Detector(RAD)の2層オンラインデータ選択フレームワークを拡張します。 RADは、異常検出の精度を確実に改善し、IoTデバイス攻撃の98.95%、クラウドタスク障害の85.03%、顔認識の77.51%まで到達することができる。
  論文  参考訳（メタデータ） (2021-03-19T14:13:16Z)
• Adversarial Refinement Network for Human Motion Prediction [61.50462663314644]
  リカレントニューラルネットワークとフィードフォワードディープネットワークという2つの一般的な手法は、粗い動きの傾向を予測することができる。 本稿では,新たな逆誤差増大を伴う簡易かつ効果的な粗大きめ機構に従えば,ARNet(Adversarial Refinement Network)を提案する。
  論文  参考訳（メタデータ） (2020-11-23T05:42:20Z)
• Adaptive Invariance for Molecule Property Prediction [38.637412590671865]
  異種データを超えた一般化や外挿が可能な予測器を学習するための新しい手法を提案する。 提案手法は,最近提案された不変リスク最小化に基づいて拡張する。 我々の予測器は最先端の伝達学習手法をかなりの差で上回っている。
  論文  参考訳（メタデータ） (2020-05-05T19:47:20Z)
• A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning [49.86828302591469]
  35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。 RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
  論文  参考訳（メタデータ） (2020-04-30T20:42:17Z)

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。