論文の概要: Identifying Flux Rope Signatures Using a Deep Neural Network
- arxiv url: http://arxiv.org/abs/2008.13294v1
- Date: Sun, 30 Aug 2020 23:23:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-23 12:35:16.791435
- Title: Identifying Flux Rope Signatures Using a Deep Neural Network
- Title（参考訳）: 深部ニューラルネットワークを用いたフラックスロープ信号の同定
- Authors: Luiz F. G. dos Santos, Ayris Narock, Teresa Nieves-Chinchilla, Marlon
Nu\~nez, Michael Kirk
- Abstract要約: 本稿では,ICMEの内部構造を同定し,さらに理解するために,機械学習と現在の物理フラックスロープ解析モデルを適用した。
解析的フラックスロープデータを用いた画像認識人工ニューラルネットワークの訓練を行った。
トレーニングされたネットワークは、1995-2015年にWINDから観測されたICMEに対して評価された。
- 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: Among the current challenges in Space Weather, one of the main ones is to
forecast the internal magnetic configuration within Interplanetary Coronal Mass
Ejections (ICMEs). Currently, a monotonic and coherent magnetic configuration
observed is associated with the result of a spacecraft crossing a large flux
rope with helical magnetic field lines topology. The classification of such an
arrangement is essential to predict geomagnetic disturbance. Thus, the
classification relies on the assumption that the ICME's internal structure is a
well organized magnetic flux rope. This paper applies machine learning and a
current physical flux rope analytical model to identify and further understand
the internal structures of ICMEs. We trained an image recognition artificial
neural network with analytical flux rope data, generated from the range of many
possible trajectories within a cylindrical (circular and elliptical
cross-section) model. The trained network was then evaluated against the
observed ICMEs from WIND during 1995-2015.
The methodology developed in this paper can classify 84% of simple real cases
correctly and has a 76% success rate when extended to a broader set with 5%
noise applied, although it does exhibit a bias in favor of positive flux rope
classification. As a first step towards a generalizable classification and
parameterization tool, these results show promise. With further tuning and
refinement, our model presents a strong potential to evolve into a robust tool
for identifying flux rope configurations from in situ data.
- Abstract（参考訳）: 宇宙気象における現在の課題の1つは、惑星間コロナ質量放出(ICME)の内部磁気配置を予測することである。
現在、観測される単調でコヒーレントな磁気配置は、ヘリカル磁場線トポロジーを持つ大きな磁束ロープを交差する宇宙船の結果と関係している。
このような配置の分類は地磁気外乱の予測に不可欠である。
したがって、ICMEの内部構造がよく組織された磁束ロープであるという仮定に基づいている。
本稿では,ICMEの内部構造を同定し,さらに理解するために,機械学習と現在のフラックスロープ解析モデルを適用した。
我々は,解析的フラックスロープデータを用いた画像認識ニューラルネットワークを,円筒形(円断面および楕円断面)モデルにおいて,可能な多くの軌道の範囲から生成した。
トレーニングされたネットワークは、1995-2015年にWINDから観測されたICMEに対して評価された。
本研究で開発された手法は, 単純な実例の84%を正しく分類でき, 5%の雑音が印加された広い集合に対して76%の成功率を示すが, 正のフラックスロープ分類に有利なバイアスを示す。
一般化可能な分類・パラメータ化ツールへの第一歩として,これらの結果は有望であることを示す。
さらなるチューニングと改良により,本モデルは,In situデータからフラックスロープ構成を識別する堅牢なツールに進化する可能性が強い。
関連論文リスト
- Localized Gaussians as Self-Attention Weights for Point Clouds Correspondence [92.07601770031236]
本稿では,エンコーダのみのトランスフォーマーアーキテクチャのアテンションヘッドにおける意味的意味パターンについて検討する。
注意重みの修正はトレーニングプロセスの促進だけでなく,最適化の安定性の向上にも寄与する。
論文 参考訳（メタデータ） (2024-09-20T07:41:47Z) - HARDCORE: H-field and power loss estimation for arbitrary waveforms with
residual, dilated convolutional neural networks in ferrite cores [1.3437002403398262]
MagNet Challenge 2023は、トロイダルフェライトコアにおける定常的な電力損失の物質特異的で波形に依存しない推定のためのデータ駆動モデルの開発を競合他社に呼びかけている。
HardCOREアプローチは、物理インフォームド拡張を持つ残差畳み込みニューラルネットワークが、事前に観測データに基づいてトレーニングされた場合、このタスクを効率的に行うことができることを示している。
モデルは各素材のスクラッチから訓練されるが、トポロジーは同じである。
論文 参考訳（メタデータ） (2024-01-21T13:24:41Z) - Forecasting Fold Bifurcations through Physics-Informed Convolutional
Neural Networks [0.0]
本研究では,2次分岐近傍の力学系の時系列を同定する物理インフォームド畳み込みニューラルネットワーク(CNN)を提案する。
CNNは比較的少量のデータと単一の非常に単純なシステムで訓練されている。
同様のタスクは、物理学に基づく情報を利用して得られる、かなりの外挿能力を必要とする。
論文 参考訳（メタデータ） (2023-12-21T10:07:52Z) - A Generative Self-Supervised Framework using Functional Connectivity in
fMRI Data [15.211387244155725]
機能的磁気共鳴イメージング(fMRI)データから抽出した機能的接続性(FC)ネットワークを訓練したディープニューラルネットワークが人気を博している。
グラフニューラルネットワーク(GNN)のFCへの適用に関する最近の研究は、FCの時間変化特性を活用することにより、モデル予測の精度と解釈可能性を大幅に向上させることができることを示唆している。
高品質なfMRIデータとそれに対応するラベルを取得するための高コストは、実環境において彼らのアプリケーションにハードルをもたらす。
本研究では,動的FC内の時間情報を効果的に活用するためのSSL生成手法を提案する。
論文 参考訳（メタデータ） (2023-12-04T16:14:43Z) - How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。
入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文 参考訳（メタデータ） (2023-06-04T08:53:27Z) - Fuzzy Attention Neural Network to Tackle Discontinuity in Airway
Segmentation [67.19443246236048]
気道セグメンテーションは肺疾患の検査、診断、予後に重要である。
いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。
本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
論文 参考訳（メタデータ） (2022-09-05T16:38:13Z) - Identification of Flux Rope Orientation via Neural Networks [0.0]
畳み込みニューラルネットワーク(CNN)を用いて,埋込磁束ロープの向きを予測する。
我々の研究は、解析的フラックスロープデータから磁場ベクトルを訓練したCNNを用いている。
1995～2015年における風観測ICMEに対するトレーニングネットワークの評価結果について報告する。
論文 参考訳（メタデータ） (2022-02-11T20:59:26Z) - Estimating permeability of 3D micro-CT images by physics-informed CNNs
based on DNS [1.6274397329511197]
本稿では,地質岩のマイクロCTによる透水率予測手法を提案する。
透過性予測専用のCNNのためのトレーニングデータセットは、古典格子ボルツマン法(LBM)によって通常生成される透過性ラベルからなる。
その代わりに、定常ストークス方程式を効率的かつ分散並列に解き、直接数値シミュレーション(DNS)を行う。
論文 参考訳（メタデータ） (2021-09-04T08:43:19Z) - Simultaneous boundary shape estimation and velocity field de-noising in
Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。
これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。
我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2021-07-16T12:56:09Z) - Revisiting Initialization of Neural Networks [72.24615341588846]
ヘッセン行列のノルムを近似し, 制御することにより, 層間における重みのグローバルな曲率を厳密に推定する。
Word2Vec と MNIST/CIFAR 画像分類タスクの実験により,Hessian ノルムの追跡が診断ツールとして有用であることが確認された。
論文 参考訳（メタデータ） (2020-04-20T18:12:56Z) - Kernel and Rich Regimes in Overparametrized Models [69.40899443842443]
過度にパラメータ化された多層ネットワーク上の勾配勾配は、RKHSノルムではないリッチな暗黙バイアスを誘発できることを示す。
また、より複雑な行列分解モデルと多層非線形ネットワークに対して、この遷移を実証的に示す。
論文 参考訳（メタデータ） (2020-02-20T15:43:02Z)
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。